本项目主要针对秦岭野生保护区进行异常声音识别及定位。本项目主要针对秦岭野生保护区进行异常声音识别及定位。借鉴目前应用于声音识别方面最先进的深度学习网络，完成多模态特征提取，建立新的深度学习网络模型，实现对声音场景的分类和识别；鉴于秦岭地区环境的复杂性、范围的广阔性，为了定位异常声音发生的位置，及时发现违法捕猎行为，本项目进一步研究基于分布式声传感器网络的鲁棒声源定位算法。具体研究内容包括：首先，针对秦岭地区信号传播环境的复杂性，开展了复杂环境下的声源定位方法研究。复杂环境下，由脉冲噪声、非视距传播和节点失效以及多径效应的影响，传感器节点观测误差呈现非高斯特性，使得传统的声源定位方法面临精准度低和鲁棒性弱的挑战。本项目通过将传感器节点观测误差建立不同的模型，相继提出了基于蒙特卡洛重要性采样的RSSD定位方法和基于稀疏正则化的AOA定位方法；进一步地，针对复杂信号传播条件下，传感器节点观测误差完全未知的情况，提出了基于贝叶斯学习的噪声模型和声源位置联合学习方法。项目完成SCI收录论文5篇。研究成果为本项目深入探索基于分布式空气声呐对秦岭地区野生动物声音检测、识别以及准确定位提供了坚实的理论基础。