从噪声源处控制噪声是噪声控制最有效、最便捷的方式,准确识别出噪声源的位置是控制噪声的前提。近场声全息技术和波束形成技术是两种常用的噪声源识别方法。近场声全息技术利用全息面和声源面之间的声场关系重建出声场,适用于近距离测量和中低频声源。波束形成技术通过对声音信号进行延迟、加权和求和,使期望信号产生一个响应极大值,从而得到真实的声源分布,适用于远距离测量和高频声源。随着人工智能的兴起,将机器学习算法引入声源识别定位过程中,不仅可以提高计算效率,而且可以提高定位精度,因此提出了基于极限学习机的声源识别方法,对已有的数据样本进行学习后,训练得到一个模型,将测试数据作为输入,依据模型的判断进行声源位置分类,具有计算效率高和定位精度高的优势。论文首先研究了四种噪声源识别方法的推导过程,并通过数值仿真验证了这些方法的可行性,以平面近场声全息、互谱成像算法、DAMAS算法和DAMAS2算法为理论依据,以LabVIEW为软件平台,传声器、NI采集卡和计算机为硬件,开发出一套噪声源识别系统。该系统包括示波模块、标定模块、采集模块和算法处理模块。示波模块包含时域显示、频域显示、倍频程显示和功率谱显示;标定模块将通道设置和通道标定相结合,可以实现70个通道的设置和标定;采集模块可以实现70个通道的同时采集,还包含触发和预触发的功能;算法处理模块包括四种声源识别法,且系统具有很好的可扩展性,后期可增加更多的噪声源识别方法。最后对噪声源识别系统中集成的四种噪声源识别方法和极限学习机声源识别方法进行验证。