研究背景与目的自杀是全球重大公共卫生问题,抑郁障碍与自杀高度相关,及早识别对于自杀预防意义重大。但目前筛查手段局限性明显,识别准确率低且易受主观影响,寻找客观有效的识别手段已成为研究趋势。语音因具有采集快速方便、限制少、成本低、不侵入人体等优势引起了研究者们的关注。因此,本研究的目的是探讨基于机器学习的语音特征模型识别单双相抑郁患者自杀风险的有效性。研究方法采用2（组别:健康对照组vs.病例组）×3（任务形式:问答vs.朗读vs.图片描述）×3（情绪效价:负性vs.中性vs.正性）的混合设计收集语音数据,进行语音预处理并提取常用的语音特征,采用支持向量机（Support Vector Machine,SVM）、集成学习（Ensemble Learning,EL）、朴素贝叶斯（Na?ve Bayesian,NB）及 k 近邻（k-Nearest Neighbor,kNN）四种常用机器学习算法建模,使用准确率（Accuracy,ACC）、特异度（Specificity,SPE）、灵敏度（Sensitivity,SEN）和 ROC 曲线下面积（Area under Curve of Receiver Operating Characteristic,AUC）等指标进行模型评估。研究结果（1）语音识别单双相抑郁障碍的最优模型由EL构建（ACC=88.89%,SPE=91.84%,SEN=85.08%,AUC=0.885）,模型平均 ACC 为 74.37%,平均 AUC 为 0.727。从性别角度看,女性的最优模型由EL构建（ACC=88.97%,SPE=93.75%,SEN=83.08%,AUC=0.884）,平均ACC为75.58%,平均AUC为0.748;男性的最优模型由SVM构建（ACC=92.08%,SPE=92.86%,SEN=91.00%,AUC=0.919）,模型平均 ACC 为 77.60%,平均AUC为0.766。（2）三种任务形式中问答最好,最优模型由EL构建（ACC=92.76%,SPE=95.91%,SEN=88.72%,AUC=0.923）,模型平均 ACC 为 77.63%,平均 AUC 为 0.766。情绪效价上,正性情绪表现最好,最优模型由SVM构建（ACC=87.62%,SPE=91.23%,SEN=82.95%,AUC=0.871）,模型平均 ACC 为 71.16,平均 AUC 为 0.700)。（3）语音识别单双相抑郁障碍患者自杀风险的最优模型由EL构建（ACC=91.86%,SPE=96.22%,SEN=84.55%,AUC=0.904）,模型平均ACC 77.37%平均AUC为0.744,性别角度看依然是男性的泛化性能好于女性（平均ACC:80.75%vs.77.82%,平均 AUC:0.801vs.0.747）。（4）语音识别单双相抑郁患者自杀风险的准确率受任务形式和情绪效价的影响,任务形式上问答语音最好（EL构建,ACC=93.23%,SPE=98.80%,SEN=84.00%,AUC=0.914）,情绪效价上负性最好（SVM 构建,ACC=88.76%,SPE=96.43%,SEN=75.76%,AUC=0.861）。（5）主客观多指标联合的模型泛化性能好于单语音特征模型（平均 ACC:80.85%～84.07%vs.77.37%,平均 AUC:0.783～0.822vs.0.744）,最优模型依然是由EL构建。研究结论（1）语音可作为识别单双相抑郁障碍患者自杀风险的客观指标,且在男性群体中的表现好于女性群体。（2）不同任务形式和情绪效价影响模型预测性能,问答语音的预测性能最好;识别单双相抑郁障碍时正性效价最好,识别自杀风险时负性效价最好。（3）主客观多指标联合的模型预测性能优于单指标模型,未来筛查工作中应从多角度考虑,充分发挥语音特征这一客观指标的作用。（4）四种机器学习算法中,集成学习的表现更优。创新点（1）从当前筛查手段的局限性入手,探讨语音特征这一客观指标的有效性,对筛查工作具有重要参考价值,应用前景广阔。（2）丰富了语音相关研究领域,尤其是自杀相关的资料,为后续相关研究的开展做铺垫,同时拓宽了自杀预防的思路。