本文提出使用多通道音频中的低级空间特征进行声音事件检测。通过扩展卷积递归神经网络以处理更多类型的特征，并将特征呈现为体积的单独层，可以更好地学习多通道音频中的声音事件。该方法在公开数据集上提高了F-score。

本研究开发了一种框架，通过自动提取标记数据并训练CRNN模型，在嘈杂环境下实现了鸟类物种声音事件检测。模型在真实数据上达到了0.73的F1分数，为PAM技术在其他物种和栖息地的应用提供了可能。

本文提出了一种新方法，将声音事件检测与定位拓展到包含距离估计的三维声音事件检测、定位。通过多任务和单任务两种方法研究了在不同背景下的实现方案，并探究了与距离估计相关的损失函数。实验结果表明，在不降低准确性的情况下，可以进行三维声音事件检测、定位。

通过生成学习重新构建声音事件检测问题，模型学习逆转噪声处理，能从噪声查询中生成准确的事件边界。实验证明，在Urban-SED和EPIC-Sounds数据集上，模型训练速度更快且优于现有替代方法。