语音特征是一种重要的生物标记物,已经广泛用于说话人识别、疾病诊断等领域。其中,说话人确认与帕金森疾病诊断是语音特征近年来应用研究的热点和难点。虽然相关研究取得了许多正面的进展,极大的显示了其应用潜力,但在特征压缩、样本优选、分类器优化等方面,还存在一定的问题,而这些方面都是提高语音特征学习质量的重要环节。基于此,本文在相关课题资助下,针对说话人确认和帕金森疾病诊断这两个具体应用问题,研究了其语音特征压缩、样本优选、分类器优化等环节,提出了三种改进算法,实现了识别性能的提高。相关主要工作如下:(1)提出了一种多类型语音特征封装式进化特征选择框架算法,同时,基于该框架算法,给出了一种具体的实现方式—四类型语音特征封装式遗传特征选择算法,为该框架算法给出了具体实现范例。本框架算法的提出,有利于解决目前缺乏相关方法标准化框架研究的问题。(2)提出了一种极低信噪比环境下基于多类型语音特征学习的说话人确认算法。首先设计了低信噪比下提取多种类型语音特征的方法,尤其是引入了基音频率提取算法。然后设计了基于CAGA和GMM-UBM的特征选择分类集成模型,通过对提取的特征进行选择实现融合,用于说话人确认。本算法的提出实现了面向极低信噪比环境下的说话人确认算法,有助于解决在这一应用领域中存在的语音提取质量低的问题。(3)提出了基于语音样本重复剪辑算法和随机森林的帕金森症诊断算法,通过样本重复剪辑算法实现对语音样本的优选,通过引入随机森林实现对样本的集成学习。该算法实现了对语音样本的优选,提高了样本的质量,将为目前基于语音的帕金森症诊断研究提供新的研究思路和方法参考。本文为相关研究者提供了方法参考,为提高基于语音特征学习的模式分类研究提供了新的思路,具有重要的研究意义。