1.一种异常声音检测的方法，其特征在于，包括：获取当前环境的声音数据；

对所述声音数据进行分割获得所述声音数据的分片数据集；

获取所述分片数据集中各个分片数据的频谱特征；

对所述频谱特征进行识别获得异常声音检测结果。

2.如权利要求1所述的方法，其特征在于，对所述声音数据进行分割获得所述声音数据的分片数据集，包括：根据异常声音样本集中的N个异常声音样本的时长，分别对声音数据进行分割获得N个所述声音数据的分片数据集；或根据所述异常声音样本集中各异常声音样本的时长的统计值对所述声音数据进行分割获得所述声音数据的分片数据集。

3.如权利要求1或2所述的方法，其特征在于，所述分片数据集中相邻的分片数据的时间区间部分重叠。

4.如权利要求1所述的方法，其特征在于，对所述频谱特征进行识别获得异常声音检测结果，包括：利用深度学习网络对所述频谱特征进行识别获得异常声音检测结果。

5.如权利要求4所述的方法，其特征在于，所述深度学习网络包括固定权值的卷积神经网络和全连接神经网络；

其中，所述全连接神经网络为一个以上，每个全连接神经网络对应一种异常声音类别；

相应的，利用深度学习网络对所述频谱特征进行识别获得异常声音检测结果，包括：利用所述卷积神经网络将所述频谱特征转换为多通道特征数据；

利用所述全连接神经网络识别所述多通道特征数据获得异常声音检测结果。

6.如权利要求5所述的方法，其特征在于，利用所述全连接神经网络识别所述多通道特征数据获得异常声音检测结果，包括：利用各个所述全连接神经网络识别所述多通道特征数据；

获取各个所述全连接神经网络输出的所述多通道特征数据包含异常声音的概率值；

通过以下方式至少之一获得异常声音检测结果：

根据所述概率值的排序获得异常声音检测结果；

根据所述概率值和预设阈值的比较结果获得异常声音检测结果。

7.如权利要求5所述的方法，其特征在于，利用深度学习网络对所述频谱特征进行识别获得异常声音检测结果前，包括：分别通过所述卷积神经网络，采用与各个所述全连接神经网络对应的异常声音类别的异常声音样本集训练各个所述全连接神经网络。

8.如权利要求7所述的方法，其特征在于，分别通过所述卷积神经网络，采用与所述全连接神经网络对应的异常声音类别的异常声音样本集训练各个所述全连接神经网络前，还包括：对所述异常声音样本进行数据增强处理；

其中，所述数据增强处理包括对异常声音样本进行频谱拉伸处理、对异常声音样本进行频率截断处理、对多个异常声音样本进行叠加处理、对异常声音样本进行叠加噪声处理和对异常声音样本叠加环境背景声音处理中的至少之一。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。