Con la amplia disponibilidad de dispositivos de grabación de teléfonos móviles, la identificación de la fuente del teléfono móvil se ha convertido en un tema candente en la informática forense multimedia. En la actualidad, la investigación sobre la identificación de la fuente del teléfono móvil en condiciones limpias ha logrado buenos resultados, pero en entornos ruidosos no es ideal. Este documento propone un novedoso sistema de identificación de la fuente del teléfono móvil adecuado tanto para entornos limpios como ruidosos, utilizando características de distribución espectral del dominio de la transformación de Q constante (CQT) y un método de entrenamiento de múltiples escenas. Basado en el análisis, se encuentra que la dificultad de identificación radica en los diferentes modelos de teléfonos móviles de la misma marca, y sus pequeñas diferencias se encuentran principalmente en las bandas de frecuencia media y baja. Por lo tanto, este documento extrae características de distribución espectral del dominio CQT, que tiene una mayor resolución de frecuencia en la frecuencia media-baja. Para evaluar la efectividad de la característica propuesta, se utilizan cuatro técnicas de clasificación: Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF), Red Neuronal Convolucional (CNN) y Red Neuronal Recurrente - Memoria a Largo y Corto Plazo (RNN-BLSTM) para identificar el dispositivo de grabación de origen. Los resultados experimentales muestran que las características propuestas en este documento tienen un rendimiento superior. En comparación con el coeficiente cepstral de frecuencia Mel (MFCC) y el coeficiente cepstral de frecuencia lineal (LFCC), mejora la precisión de los teléfonos móviles dentro de la misma marca, ya sea que el discurso a probar comprenda archivos de discurso limpios o archivos de discurso ruidosos. Además, el efecto de clasificación de la CNN es sobresaliente. En términos de modelos, el modelo se establece mediante el método de entrenamiento de múltiples escenas, lo que mejora la capacidad de distinción del modelo en el entorno ruidoso en comparación con el método de entrenamiento de un solo escenario. La tasa de precisión promedio en CNN para archivos de discurso limpios en la base de datos de discurso CKC (CKC-SD) y la base de datos recapturada TIMIT (TIMIT-RD) aumentó del 95.47% y 97.89% al 97.08% y 99.29%, respectivamente. Para archivos de discurso ruidosos con tipos de ruido vistos y tipos de ruido no vistos, el rendimiento mejoró considerablemente, y la mayoría de las tasas de reconocimiento superaron el 90%. Por lo tanto, el sistema de identificación de fuentes en este documento es robusto al ruido.