交通鸣笛声是城市交通环境中常见的一类噪声,是城市噪声的主要来源之一,随着中国经济与社会的持续快速发展,交通鸣笛声污染这一问题越来越严重。持续增加的交通鸣笛声给城市交通以及居民生活带来了越来越恶劣的影响,因此,控制交通鸣笛声势在必行。目前,在城市主干道一般都装有车辆违章鸣笛抓拍系统用于捕捉违规鸣笛,而在非主干道区域,主要通过人工管控的方式整治违法交通鸣笛,该方法不仅效率低下而且会消耗大量的人力物力。因此,针对这类区域的智能化违法鸣笛声检测与识别对于管控城市交通,提升城市居民幸福感具有重大意义。本文以校园周边交通鸣笛声为研究对象,采用低成本便携式录音设备采集交通鸣笛声数据,详细讨论了交通鸣笛声的时空分布与环境和交通因素的关系,实现了基于单通道数据的交通鸣笛声分类,并进一步结合深度聚类算法实现了单通道并发交通鸣笛声分类。具体而言,首先通过低成本便携式录音设备从校园周边路段采集得到交通鸣笛声样本,针对交通鸣笛声样本的时空分布进行了统计分析,详细阐述了样本采集路段的交通鸣笛声在采集期间不同季节、一周以及一天内的频次分布情况,并结合能见度、车流量、道路特征等因素对交通鸣笛声的频次波动进行了分析。其次,针对采集得到的交通鸣笛声,提取了Mel频率倒谱系数（MFCC）与小波包能量谱两类常用特征,并采用支持向量机（SVM）与随机森林两种常用分类器将交通鸣笛声分类为大型车辆鸣笛声、中小型车辆鸣笛声、二轮及三轮车鸣笛声,平均分类准确率达到90.3%。考虑到真实环境下采集得到的交通鸣笛声中包含的环境噪声对分类效果存在一定影响,因此分别采用谱减法、维纳滤波、非负矩阵分解（NMF）三类降噪方法对鸣笛声样本进行降噪处理,通过对比发现使用NMF方法降噪后的信号分类性能提升较大,达到了2.3%。此外,针对真实环境下大概率存在的并发交通鸣笛声,研究并实现了一种基于深度聚类的单通道并发鸣笛声分离方法。该方法首先通过训练双向长短期记忆网络（BLSTM）得到交通鸣笛声的嵌入式特征,然后基于K-means算法对上述嵌入式特征进行聚类,进而实现并发交通鸣笛声的分离。最后针对分离得到的信号采用前述分类方法进行了鸣笛声分类及其性能分析,平均分类准确率达到了81.3%,有效实现了单通道并发交通鸣笛声分类。本文基于低成本便携式设备所采校园周边交通鸣笛声数据的研究成果,为缺乏车辆违章鸣笛监控系统区域的交通管控提供了一种便捷高效的辅助手段。