抑郁症和精神分裂症作为比较常见的精神疾病,具有患病率高、自杀率高、治疗率低等特点,对个人以及社会造成严重的危害。当前诊断方法严重依赖医师临床经验和患者自我描述,受主观因素影响较大,因此需要一个客观、有效、便捷的评估手段实现精神疾病检测。在众多的精神疾病识别模态中,语音以其无损伤、价格低廉、携带情感信息丰富等优点逐渐受到人们的关注。在目前众多学者的研究中,关于精神疾病语音诊断的有效特征获取方面,人们的观点并不一致。在小样本下,如何获取与现有特征有较高互补性的深度特征一直未得到很好解决。针对这些问题,本文在数据采集、有效特征获取、深度特征学习方面开展研究,主要贡献如下。（1）采集并构建了精神疾病语音数据集。本文共选取283名被试,依据临床医师诊断结果,将受试人群分为健康人、抑郁症、精神分裂症三类,进行了统一的语音数据采集,并参考前人经验,提取了12类特征,以此构建精神病语音数据集。（2）针对本文构建的数据集特点,引入特征组间稀疏的思想,根据不同特征组对精神疾病识别贡献率,设计了修正稀疏Group Lasso特征选择算法,得到了能有效进行精神疾病语音识别的特征。（3）针对目前原始特征和深度特征融合方法的不足,本文设计了一个混合特征堆栈稀疏自编码器,该网络在深度网络的训练中融入原始特征,能够获得更具有鲁棒性的语音深度特征。基于这一自编码器,构建了精神病语音识别系统,该系统通过基于L1正则化的特征选择算法,有效的去除了深度特征与原始特征拼接带来的冗余;并设计了w＿LDPP-SVM（Weighted Local Discriminant Preserving Projection-Support Vector Machine）集成降维模型,进一步的提高了泛化性能和稳定性。本文构建了健康人、抑郁症、精神分裂症三分类精神疾病语音数据集,并建立了一个精神疾病语音识别系统。实验结果证明,本文的精神疾病语音识别系统比目前有代表性的识别方法有更好的识别准确率,对精神疾病语音识别具有一定的指导意义。