鸟类是生态系统的重要组成部分,对鸟类活动及其分布的监测,为了解一个地区的生物多样性和气候变化提供了重要的依据。鸟鸣声是区分鸟类的重要特征,鸟鸣声识别也是目前鸟类物种识别普遍采用的方式之一,通过鸟鸣声实现鸟类监测具有高效、稳定、范围广的优点,具有巨大的应用价值。在复杂的自然场景下采集到的鸟鸣声数据往往存在大量的环境背景噪声,设计一种鲁棒性高、抗噪声能力强的鸟鸣声识别方法对了解鸟类生物多样性具有重要意义。基于以上原因,本文对自然场景下鸟鸣声识别算法进行研究,研究内容主要分为三个部分:基于声学特征和机器学习的识别方法、基于深度学习网络的识别方法和鸟声识别原型系统开发。（1）针对鸟声识别算法中提取特征单一、分类准确率低等问题,提出一种联合混合特征选择与基于灰狼优化算法的核极限学习机鸟声识别方法。首先,从鸟声数据中提取声学特征集Com Par E;其次,计算每个特征的Fscore并进行排序;然后,以广义顺序向前浮动搜索为搜索策略,利用核极限学习机并采用十折交叉验证策略对特征进行优化选择,得到适用于鸟声识别的特征子集;最后,通过灰狼优化算法选择最优核极限学习机参数来识别鸟声。实验结果表明,该方法可以有效地提高Com Par E特征集在鸟声识别领域的识别精度。（2）为了增强网络对鸟鸣声信号的特征学习能力并提高识别精度,提出一种基于深度残差收缩网络和扩张卷积的鸟声识别方法。首先,提取鸟鸣声信号的对数梅尔特征及其差分系数组成Log Mel特征集,作为网络模型的输入;其次,通过深度残差收缩网络自动学习噪声阈值,减少噪声干扰;然后,引入扩张卷积增大感受野并利用注意力机制使网络更关注关键帧特征;最后,通过双向长短时记忆网络从局部特征中学习长期依赖关系。实验结果表明,该模型在噪声环境下的识别效果优于现有模型。（3）在深度残差收缩网络和扩张卷积鸟声识别方法的基础上,结合轻量级模型Mobile Net V3设计更高效的鸟声识别方法。首先,利用深度残差单元代替V3模型浅层网络中的SE模块,从而实现对噪声的抑制;然后,对Mobile Net V3网络进行裁剪,进一步减少模型参数量;最后,将利用北京百鸟数据库训练好的模型应用于搭建的鸟鸣声识别原型系统,从而实现对数据库中19种鸟类的监测。