该无人机已广泛应用于军事、航拍及农药喷洒等多种场景。然而，无人机易受外部干扰影响，其螺旋桨和电机故障频发。为提升无人机运行的安全性，亟需实现对机械故障的实时检测。本文提出一种基于声音的深度神经网络（DNN）故障分类方法，并构建了一个无人机声音数据集。该数据集通过在消声室中对三架不同无人机搭载的麦克风采集其运行声音而建立，涵盖多种飞行工况，包括飞行方向（前、后、右、左、顺时针、逆时针）以及螺旋桨与电机的各类故障。随后，将采集到的无人机声音与在大学校园内五个不同位置录制的背景噪声混合，信噪比（SNR）设定在10 dB至15 dB之间。基于该数据集，我们训练了一种名为1DCNN-ResNet的深度神经网络分类器，能够从短时输入波形中识别机械故障的类型及其发生位置。为增强模型的泛化能力，本文采用多任务学习（MTL）策略，并将飞行方向分类作为辅助任务，以促使模型学习更具普适性的音频特征。在未见数据上的测试结果表明，所提出的多任务模型在故障分类任务中表现优异，即使在训练数据较少的情况下，其性能也优于单一任务模型。