伴随着环境问题、社会和职业压力等因素的出现,嗓音疾病的发病率日益上升。声学检测用于病理嗓音的识别还处于理论研究阶段,且对特征参数的研究仍存在不足,嗓音声学特征优化与实际声带生理结构缺乏联系。声带作为重要的发声部位,其病变是导致发声出现问题的重要原因。其中,声带息肉、声带小结和声带囊肿的发病率在声带疾病中位列前三,并且在声学检测上不容易明显区分,因此这三种声带疾病的研究已成为热点。针对传统声学特征在描述声带疾病嗓音的影响时存在的局限性和非完备性,从仿生学和希尔伯特-黄变换的角度,提出了采用可变余弦窗延拓的EEMD(Ensemble Empirical Mode Decomposition,简称聚合模态分解)算法的嗓音特征提取方法,以提高声带疾病嗓音的识别率。具体研究如下:(1)分析了声带疾病对语音信号的影响和传统声学特征的反映,进行相关性和差异性分析并用于特征选择。接着研究了传统EMD算法和改进算法(聚合EMD算法,多分辨EMD算法)的优势和不足,引入可变余弦窗函数,通过正常语音和声带疾病嗓音的对比实验,进行参数优化,从而提出最佳优化算法-可变余弦窗延拓的EEMD算法。正常语音和声带疾病嗓音的二分类识别与正常语音、声带息肉、声带小结和声带囊肿类疾病语音的四分类识别实验表明,本文算法提取的边际谱熵和能量谱熵特征,比传统声学特征有较高的识别率提升。(2)针对希尔伯特-黄变换特征不能有效地表征声带疾病嗓音的特征,因此本文在边际谱特征的基础上,提出了边际谱和特征。识别实验也表明本文提出的特征边际谱和可以有效地进行声带疾病嗓音的细分。(3)为了更全面的体现声带疾病对嗓音的影响,将筛选后的传统特征与本文算法提出的特征用于识别实验中。结果表明,边际谱和特征,用于正常语音和声带疾病语音的平均识别率达96.50%;而正常语音和声带疾病语音(声带息肉、声带小结和声带囊肿)的四分类识别的识别率达到75.05%。