不当用声、过度用声等多种因素使得现代嗓音疾病普发,这意味着声带无法规则振动,声音质量差,正常生活受到影响,因此临床上对病理嗓音的早期评估越发重视。目前的诊疗领域中,专家的听觉感知和侵入式喉镜是最主流的检查手段,前者依赖专家的主观经验,而后者会为患者带来痛苦。于是人们尝试借助计算机,以一种客观、无侵入的方式分析嗓音信号,实现病理嗓音的自动评估和分类,为嗓音质量的评价提供统一的量化标准。本文根据国内外的研究趋势,从声学特征参数和模式识别入手,使用信号处理和深度学习相结合的方式,训练深度神经网络从嗓音信号的频谱图中自动提取特征,通过分类器的识别,完成病理嗓音障碍等级分类的研究。本文主要的研究内容如下:1.对病理语音信号的多种相关声学特征参数进行了分析,涵盖传统基频类、振幅类、基于声门波类、频谱类以及倒谱类参数。在简单的语音信号预处理后,从持续元音的嗓音信号中,提取梅尔频率倒谱系数（MFCC）及其一、二阶动态系数,以及多维倒谱类组合参数,包括梅尔频率倒谱系数（MFCC）和倒谱峰值特征（CPPS）,以构成两个特征参数集。2.利用声学频率和调制频率的联合模型,数字化、抽象化表达调制变换后的频谱图,从能量分布的角度衡量病理嗓音信号的特征。构造病理嗓音障碍等级的分类系统,证实了调制谱特征在鉴别病理程度方面的能力。与梅尔频率倒谱系数特征和多维倒谱类组合特征相比,识别准确率有所提高。3.将信号处理与深度学习相结合,将语音信号转换为图像,充分利用卷积神经网络在图像局部特征提取方面的优势,设计一个自动评估系统,提高嗓音障碍等级的分类准确率。经过多次训练,反复调整模型,确定了一组效果良好的模型参数。实验验证了所提出的log-梅尔谱图与卷积神经网络组合系统的可行性和有效性,实现了分类系统识别准确率的提高。4.使用主成分分析（PCA）对经过卷积神经网络后提取的特征进行降维,去除特征中的冗余信息,保留其中具有高表达的能力的特征。实验结果表明,一方面,特征降维不但降低了模型的运算量,同时也在一定程度上提高了系统的分类准确率。另一方面,卷积神经网络对图像信息的特征提取存在一定的成分冗余。