环境声事件检测领域还存在很多问题，往往导致在实际场景中的应用不尽如人意。具体问题总结如下： 1、流行声学特征+机器学习环境声事件识别方法在实际场景中表现不佳，信噪比低。例如，在高信噪比下，目标声音事件的召回率高，但准确率低（背景噪声容易识别为目标声音事件）。 );在较低的信噪比下，识别效果普遍较差。 2、语音识别领域缺乏端点检测技术来降低背景噪声对识别的影响。 3. 缺乏大量的环境声数据集来支持环境声事件识别领域的研究。 4、环境声降噪技术研究不足。 在这里，希望通过前辈们的知识积累和后辈们的不断研究，尽快克服困难。
环境声事件检测应用具有重要的它具有现实意义，例如通过检测公共场所的异常声音来监测公共场所的安全，通过检测野生动物的声音来监测野生动物的活动区域或生活状况，以及实时检测设备的运行声音。监控设备运行状态等。 目前在环境声音事件检测领域有两种声音检测方案，一种叫异响检测，另一种叫异响识别。所谓异响检测就是检测是否有异响，但无法确定是哪种异响；异音识别就是对异音进行分类，从而知道检测到什么样的异音，达到识别诊断的目的。 异常声音检测的一般方法是对背景环境声音进行建模，与模型不匹配的都是异常声音；而异音识别则是对异音进行建模，凡是符合模型的都是某种异音。声音。这两种方法的原理其实来自于声音识别，本质上就是训练一个分类器。声音识别的关键是分类器的判别，即模型的准确性，它由选择的声学特征和声音模型决定。
噪声源识别方法大致可分为两类： 第一类是常规声学测量分析方法，包括分离作业法、分离覆盖法、近场测量法、地表速度测量法等。 第二类是声信号处理方法，它是在现代信号分析理论的基础上发展起来的，如声强法、面强法、谱分析、倒谱分析、互相关和互谱分析、相干分析等。到这一类方法。 在不同的研究阶段，可以根据声源的复杂程度和研究工作的需要，选择不同的识别方法或多种方法组合使用。
