语音韵律边界识别是指对输入语音的韵律边界,包括韵律词,韵律短语,语调短语等,进行自动的判别。基于声学特征的韵律边界识别对自然语言理解和语音合成等领域具有重要的意义。在语音语义理解方面,声学特征直接表达了说话者的停顿和节奏,正确的韵律边界识别才能正确理解语义。另一方面,目前合成语音的自然度还有待提高,基于声学特征的韵律边界识别和标注是高质量自然度高的合成语料库必不可少的。另外,在当前的汉语韵律边界识别研究中,大多数研究都忽视了次要韵律短语边界,同时该边界处的声学特征并不明显,从而导致该韵律边界识别效果不是很理想。因此,针对于汉语韵律边界识别中所存在的问题,本文利用特征工程方法基于声学特征对汉语韵律边界识别进行了研究。首先本文从特征选择角度出发,对当前韵律边界相关的声学特征进行了调研,并通过开放语料库对这些相关声学特征进行了统计分析,再与当前的研究工作进行对比,从而找出和韵律边界具有相关性的特征。其次,针对韵母结构对汉语韵律边界识别中韵母时长的影响,从特征构造的角度出发,提出了基于韵母结构的归一化韵母时长模型,从而将实际韵母时长与韵母结构特征结合起来,构造出了新的归一化韵母时长特征,并利用长短期记忆（LSTM）网络模型对韵律边界识别进行建模。最后通过对不同特征集下的韵律边界识别结果进行对比,发现相比于实际韵母时长特征,经过构建后的归一化韵母时长特征在次要韵律边界识别中,F-Score提升了5.9%,在韵律词边界、主要韵律短语边界及语调组边界识别中,F-Score分别提升了1.4%、1.8%和0.8%。再次,在对特征集进行扩充和完善后,针对高维特征给识别模型所带来的维数灾难问题,对特征提取部分引入了PCA-LDA降维算法。同时,考虑到LSTM网络模型在韵律边界识别中可能会损失一部分关键信息,本文为网络模型引入了注意力机制。最后的韵律边界识别结果表明,相比于降维前,降维后特征集对应的韵律边界识别F-Score整体提升了14.9%,并且在次要韵律短语边界上F-Score提升了4.2%。另外,对比原有网络模型和引入注意力机制后的网络模型发现,改进的网络模型韵律边界识别F-Score平均提升了2.5%。最后,对本论文围绕韵律边界识别所展开的所有工作进行了总结,并对本文中一些仍然有待完善和改进的地方做了简要分析。