随着计算机和以计算机技术为核心的信息技术的飞速发展,信息技术将对人类社会产生更深远的影响。早期计算机处理的信息为常见的数字、文字、声音、视频。虽然人类表述信息的方式没有变化,但现在计算机对信息的处理深度已经远远超过早期。早期计算机处理的信号,尤其是声音信号这样的多媒体信号,多以声音信号本身所表达的意思以及用计算机模拟出人类的声音信号,这也是声音识别早期的研究方向,随着语音识别研究的不断深入,对语音信号处理的方向更加细化。本文对语音中包含的疲劳特征参数进行提取,并通过BP神经网络和支持向量机对语音疲劳程度进行分类,具体工作如下：(1)语音信号的预处理。主要对识别的语音信号进行前端处理,首先通过语音信号拾取设备对模拟语音信号进行数字化,在这个基础上对其进行预加重及加窗分帧、端点检测,并对矩形窗(Rectangular Window)和汉宁窗(Hann Window)及汉明窗(Hamming Window)的加窗效果进行了对比,从而得到方便下一步处理的数据。(2)对语音的疲劳程度进行分类。由于对语音疲劳程度的研究还未成熟,没有统一的分类标准,本文将语音的疲劳程度分为四类：非疲劳、轻微疲劳、比较疲劳和非常疲劳四个程度。并通过MATLAB分析对比大量的不同疲劳程度的语音数据相关参数,疲劳程度高的语音信号在声音的振能、基音频率以及共振峰上有较明显的数值变化。所以提取了包含以上三个对象的11个特征参数,为后期的疲劳程度识别提供必要的支持。(3)基于BP(Back Propagation)神经网络和SVM(Support Vector Machine)支持向量机的疲劳特征参数分类。阐述了BP(Back Propagation)神经网络原理,并使用梯度算法求解BP网络的权值ω,以及SVM(Support Vector Machine)支持向量机分类器介绍和最优超平面的建立,并使用MATLAB进行一系列的仿真实验。(4)语音疲劳度识别软件实现。首先使用BP和SVM对大量不同疲劳程度的语音信号分类训练。使用VC++对前面所做实验进行C++的代码实现。设计了软件系统界面,并增加了语音信号的能量图,方便对语音信号疲劳度的观察。对语音疲劳度识别软件有跨平台需求的可以使用Qt来进行编程。最后对语音疲劳度识别软件进行对比试验。实验结果说明该语音疲劳度识别系统对不同疲劳程度的语音信号的鲁棒性较好。