随着人们生活水平的逐渐提高,健康这一话题亦随之越发受到关注。事实上,我国每年有许多患者死于心脑血管病、糖尿病、癌症等慢性疾病。这当中一个重要原因是疾病的早期诊断有误,使得患者错过了最佳的治疗时间,从而造成死亡率的增加。目前国内拥有丰富的临床诊断经验的专业医学人才的缺口仍然巨大,且由于人工智能技术以及新一代信息技术的发展,基于人工智能技术所建立的疾病早期辅助诊断系统逐渐成为了研究的热点。本研究将人工智能中的机器学习技术与信号的自适应信号技术相结合,并将其应用于人体声音信号,进一步建立疾病的早期辅助诊断系统。人体声音信号在产生的过程中不仅受到不同发音器官的影响,并且在人类机体的运行中也会受到来自外部刺激的干扰。可知人体声音信号是一种非线性、非平稳的信号。传统的信号处理技术,例如傅里叶变换、滤波器技术以及小波分析等方法不适用于此。对此,本文根据人体声音信号的特点设计问题,展开了理论和方法研究,取得的主要成果如下:（1）针对患者在进行鼻部手术后需要长期间口呼吸的问题,提出了一种使用呼吸声音的鼻腔手术前的口呼吸训练方法。该方法使用经验模态分解对呼吸声音片段进行分析与进行特征提取,并且使用了聚类分析方法对呼吸声音段进行数据预筛选,最后使用随机森林进行分类。（2）针对声带疾病的早期诊断问题,提出了一种基于经验模态分解和电声门图的声带病理分类方法。该方法使用经验模态分解对电声门图信号进行分解,进一步使用聚类分析方法对获得的本征模态函数进行分组,接着进行特征提取,最后使用随机森林进行分类。（3）针对阿尔茨海默疾病的早期诊断问题,提出了一种基于变分模态分解和随机森林的阿尔茨海默病语音检测方法。该方法使用变分模态分解对语音信号进行分解,进一步提出了基于随机森林算法的变分模态函数选择方法,接着对被选择的变分模态函数进行特征提取,最后使用随机森林进行分类。以上提出的算法均进行了理论分析以及仿真验证。结果表明,本文所建立的模型和提出的方法,均能够有效的对人体声音信号进行呼吸部分分类或对相关的疾病进行早期诊断。