肺炎每年造成全球140万左右的儿童死亡,其中有75%发生在非洲和亚洲的贫困偏远地区。及时准确的诊断并配合有效的治疗手段本可以阻止大量的肺炎致死病例发生,但这些地区缺乏专业的医疗设备和团队,难以及时得到准确的肺炎诊断结果。另外,每当流感高发季节,大城市中的儿童医院也常是人满为患的状态,而其中大部分患儿仅是普通上呼吸道感染,本可以先在家自行休养,无需即刻去医院诊治。于是本文借鉴语音识别技术,提出一种基于咳嗽音的肺炎识别方法,实现儿童肺炎的院外诊断。该方法的目的是将肺炎咳嗽音与其它病理性咳嗽音进行区分,识别流程与语音识别类似,先对咳嗽音信号进行预处理,再进行特征提取,最后将提取到的特征向量输入到已经训练好的分类模型中得到预测结果。本文所做的主要工作大致如下:1)对标准MFCC特征向量进行改进,MFCC提取过程中采用的滤波器组为Mel频率滤波器组,在频域上的分布表现为低频密集、高频稀疏,而肺炎咳嗽音和其它病理性咳嗽音在频域上的差异主要体现在中频段,因此MFCC未能有效地反映两类咳嗽音信号间的差异。于是重新调整Mel频率滤波器组的分布,修改为中频密集、低频和高频稀疏。实验结果表明,改进后的16阶MFCC1获得了优于标准16阶MFCC的分类性能,准确率从55.78%上升到了59.38%。2)提出了一种新的特征提取方法—小波能量倒谱特征。由于两类咳嗽音信号在频域上的差异可体现为对应能量分布的差异,于是先通过小波包变换得到各频段对应的能量系数,再通过方差分析保留两类信号差异最大的频段,最后进行倒谱处理使特征向量变得更为有效。该特征向量的分类准确率为61.7%。3)单个咳嗽音的肺炎识别模型选用SVM分类器,通过二折交叉验证比较不同核函数、参数值及特征向量组合方式对实验结果的影响,最终选择的核函数为径向基核,参数值g（28）.0 8、C（28）1,特征向量为MFCC1及其一阶差分、小波能量倒谱特征、短时能量系数和患儿体征信息,得到的分类准确率为73.26%。4)在单个咳嗽音已识别的基础上,通过多个咳嗽音的识别结果判断患儿是否为肺炎。利用ROC曲线得到总体准确率最高的PCI_th值,以尽可能地使患儿肺炎识别结果的敏感度和特异度都相对较高。最终PCI_th值设为0.6,得到的敏感度为91.3%,特异度为92.9%,总体准确率为91.9%。5)开发了一套基于上述算法的软件系统,为用户提供了一个界面友好的GUI环境,使本课题不仅具有理论研究意义,同时还具备工程实践意义。