La clasificación de señales sonoras se puede aplicar al diagnóstico de fallos en sistemas mecánicos, como vehículos. La tecnología tradicional de clasificación de sonido utiliza principalmente las características del dominio tiempo-frecuencia de las señales como base para la identificación. Este estudio propone una técnica para visualizar señales sonoras y utiliza redes neuronales artificiales como base para la clasificación de señales. Este método de extracción de características utiliza principalmente un principio para convertir una señal del dominio del tiempo en un patrón de puntos simetrizados en coordenadas, y lo presenta en forma de copos de nieve a través de la conversión de señales. Para verificar la viabilidad de este método para clasificar diferentes señales de características de ruido, el trabajo experimental se divide en dos partes, que son la identificación del ruido de vehículos de motor tradicional y el ruido de motores eléctricos. En la medición de sonido, primero utilizamos el micrófono y el sistema de adquisición de datos para medir el ruido de diferentes vehículos bajo las mismas condiciones de operación o el ruido de operación de diferentes motores eléctricos. Luego convertimos la señal en el dominio del tiempo en un patrón de puntos simetrizados y establecemos una base de datos de patrones de puntos simetrizados acústicos, y utilizamos una red neuronal convolucional para identificar tipos de vehículos. Para lograr un mejor efecto de identificación, en el proceso de análisis de datos, se discute el efecto del coeficiente de retardo temporal y el coeficiente de ponderación en el efecto de identificación de imágenes. Los resultados experimentales muestran que el método se puede aplicar de manera efectiva a la identificación de la clasificación de vehículos de motor tradicional y eléctricos, y puede lograr efectivamente el propósito de clasificación de señales sonoras.