汽车车内异响频发,极大程度上影响了用户的驾乘体验。然而异响种类繁多、源头不固定、特征不明显,难以通过主观判别异响源。因此,亟需寻求一种客观的辅助算法,实现汽车异响的快速有效识别。本文结合某企业研究项目,选取车内几种典型构件的异响作为研究对象,具体包括座椅系统中的座椅导轨碰撞异响和座椅表皮摩擦异响,内饰仪表板中的手套箱塑料件异响和扶手箱共振异响,以及安全带卷收器异响。对声音信号进行分析,提出了一种基于混合特征提取与灰狼优化（Grey Wolf Optimization,GWO）算法优化支持向量机（Support Vector Machine,SVM）的车内典型构件异响识别方法。完整的异响识别体系包括声音信号的采集、预处理、特征参数提取以及分类识别。全文主要研究工作如下:（1）对车内典型异响进行采集,建立异响数据库。对异响产生原因分析的基础之上,选取座椅导轨碰撞异响、座椅表皮摩擦异响、安全带卷收器异响、手套箱塑料件异响和扶手箱共振异响作为研究对象,通过零部件异响实验室开展异响的采集工作,整理汇编形成异响数据集。初步分析异响信号特性可知,5种异响都是典型的非平稳信号,能量主要集中在5000Hz范围内。（2）研究异响信号的预处理方法。重点对异响信号的降噪处理方法进行研究,提出一种阈值自适应的小波包降噪方法。通过对实验室采集的异响信号叠加路噪,采用信噪比和均方根误差作为评价指标,对提出方法的降噪效果进行分析。研究表明,改进的降噪方法可有效降低异响信号中叠加的路噪,较好地保留原始信号的细节。通过实例分析归一化、预加重以及分帧加窗等前期处理方法,降低采集系统所带来的误差,为下一步特征提取奠定基础。（3）研究异响信号的特征提取方法。从时域、频域中提取短时能量和梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）并进行分析。针对标准MFCC存在时频局部化表现能力不强、抗噪性能差等问题,基于梅尔尺度的小波包分解方法对MFCC提取过程进行改进。将改进后的MFCC与短时能量参数进行混合,得到输入分类模型的特征参数。通过对特征提取结果分析与实验仿真对比可知,提出的混合特征参数可以很好地表征异响信号的特点,具有较好的识别效果与抗噪性能。（4）基于GWO算法优化SVM的方法实现车内异响的识别。通过GWO算法对惩罚因子C和核函数参数γ寻优,构建GWO-SVM模型。通过仿真实验对比不同核函数的识别性能,确定最优核函数类型,对比分析不同分类模型的识别性能,验证GWO-SVM模型的有效性。结果表明,径向基核函数在识别稳定性和识别准确度方面优势明显,GWO-SVM模型相对于其他识别模型,无论是在收敛速度还是识别准确率上都有较大的提升。最后通过实车道路测试,进一步验证了所提研究方法应用于车内典型构件异响识别的可行性。