本课题以正常人、气虚病人和阴虚病人的元音/a/为研究对象,在前人研究的基础上进一步提取声诊信号新型特征参数并运用高效的分类器算法进行分类识别研究。本文首先基于小波包分解算法结合非线性特征熵值和盒维数提取出新的特征参数小波包能量熵和小波包盒维数参数；通过所计算的新特征值可以窥探了正常、气虚和阴虚信号之间的内在联系和差异；然后将有显著特征的特征参数输入到BP神经网络和支持向量机分类器中,计算了特征参数对正常、气虚和阴虚声诊信号的识别准确率。其次结合对元音有较好描述能力的线性预测倒谱参数提取出优于原特征的小波包线性预测倒谱系数,并用小波包分解结合考虑了入耳听觉特性的美尔频率倒谱参数,使小波包划分的频带与人耳的感觉特性的频带大致相吻合从而得到小波包美尔频率倒谱参数；然后用声诊信号的统计模型隐马尔可夫模型和支持向量机分类器对所提取的新特征进行训练,获得了声诊语音各信号的较高的分类识别准确率。然后利用主分量分析法对声诊信号提取的特征进行优化,将本课题提取的四种特征进行独立特征和组合特征的分别降维,最后将各类降维后的新向量输入SVM分类器进行识别,通过主分量分析法降维后得到了比特征优化前更高的准确率。最后应用小波包分形维数和小波包能量熵对五脏疾病患者和正常人的元音/a/、/e/、/o/、/u/、/i/数据进行定量化和客观化分析研究,提取和分析了五脏声诊数据的小波包分形维数和能量熵,发现五脏疾病患者和正常人的元音的特征在不同频段有显著差异,为辅助中医声诊五脏疾病临床诊断提供定量依据。实验结果表明：本文所提取的新特征WPEE, DW, WPD-LPCC和DWPTC在中医声诊信号识别分析中可以有效地区分声诊样本,且基于支持向量机的分类器的识别效果优于BP神经网络和隐马尔可夫模型,取得了较好的准确率。