随着城市化进程的加快,交通噪声污染问题日益严重,而其中噪声车辆的“炸街”行为更是难以管控。主要是由于这类噪声车辆的电子控制阀,使“炸街”可控的发生,极大的增加了人工监管的难度。于是设计一种可以全天监察的“电子警察”成为了治理噪声车辆亟待解决的问题。本文结合深度学习在声音识别领域的相关研究成果,设计了一种基于Res Net和GRU的模型结构,用以在复杂的噪声环境中,进行噪声车辆的识别,经测试表明该方法的识别准确率在96%以上。有效的推动了智慧城市的发展,并为解决交通噪声污染做出贡献。本文主要做的工作如下:（1）分析得到噪声车辆独特的声纹结构,利用麦克风阵列加上上位机的组合,通过声压级检测,将采集到的交通噪声样本进行分析发现噪声车辆在1k一下独特的斜坡声纹结构特征。该特征相较于其他声学特征,可以更好的区分噪声车辆和其他噪声。（2）建立了噪声车辆“炸街”事件的样本库,将初期采集到的较少量经过人工标注的样本进行浅层网络的学习训练,并将训练好的模型与声压级算法进行联合判断采集事件样本,不断迭代自身模型,并丰富样本库。为类似缺乏样本库的深度学习问题提供了一个可行的方法。（3）提出了一种新的模型架构Res Net+GRU,既解决了BP模型在复杂干扰下泛化能力弱的问题,又解决了传统RNN内核容易导致梯度消失和梯度爆炸的问题,并自适应的得到特征提取网络层次,比传统CNN网络能够提取到更贴合实际问题的优秀特征,最终在噪声车辆的识别上,得到了比其他模型更为优秀的效果。为其他相似领域的工作,例如图像等等提供了参考经验。