本发明提供一种基于多尺度残差注意力网络的声音场景分类方法，包括将采集到的音频数据进行特征提取，提取出对数梅尔频谱图及其一阶差分和二阶差分作为输入特征；构建多尺度残差注意力网络，将提取到的对数梅尔频谱图输入到网络中进行训练建立分类模型；采用mixup方法增强数据多样性；采用焦点损失关注分类困难的样本；获取新的声音场景语音，利用分类模型对语音进行声音场景分类，得到声音场景分类结果。本发明采用对数梅尔频谱图及其一阶和二阶差分，使用多尺度残差注意力网络模型来对声音场景进行分类，能够挖掘更多丰富全面的特征信息，从而提高声音场景分类性能。