【摘要】针对传统音频识别方法在生猪音频信号识别中识别率较低的问题，将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据，以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象，利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理，把提取的39维的梅尔频率倒谱系数（Mel-frequency cepstral coefficient,MFCC）作为网络学习和识别的数据集，构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明：1）隐马尔可夫隐状态数设置为5，深度神经网络隐藏层设置为3层，每层128个节点的深度神经网络-隐马尔可夫模型（Deep neural network-hidden Markov model,DNN-HMM），对5种生猪状态音频，即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%，总体识别率83%;2）相较于传统的高斯混合模型-隐马尔可夫模型（Gaussian mixture model-hidden Markov model,GMM-HMM）,DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%，总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNNHMM生猪音频识别模型，对生猪不同状态下音频的识别具有较高正确率，且更为可靠。