抑郁症是一种危害极大的精神类疾病,近年来患者日益增加,给社会造成了严重的负担。现阶段抑郁症的诊断主要依赖于填写量表、医师问询等较为主观的方式,而这些方法往往导致诊断中的主观偏差较大。语音作为一种客观行为指标,具有采集快速、方便、不侵入人体的特点。目前语音识别抑郁症这一领域已经取得了很多成果。本文所做的工作是将集成学习应用在语音识别抑郁症上,去提高识别准确率。集成学习是机器学习中一种通过构建多个学习器来解决同一个问题的方法,以其良好的表现博得了工业界和学术界的青睐。目前常用的集成学习主要是在同一数据集上应用多种分类算法或算法的多种参数设置训练产生不同的个体分类器,再将其结合。而集成剪枝从集成学习的基分类器中选取一个子集来减小花销并提升效果。本文所做的工作主要有两点:一、构建基于语音的抑郁识别集成学习模型。本文基于语音数据易于获得的特点,采集每名被试的多段语音,并分别用其训练基分类器,再将其结合。实验结果表明,该模型相较于多分类算法的集成学习模型,取得了更好的识别效果。二、为了解决当前集成剪枝方法存在的一些不足,本文提出了基于样本概率的集成剪枝算法。在12个公共数据集上的对比实验显示出,基于样本概率的集成剪枝算法的综合表现优于其它几种经典的基于排序的剪枝方法。在基于语音的抑郁识别集成模型的应用上,基于样本概率的集成剪枝算法可以有效提升其识别准确率。本文将集成学习应用于基于语音的抑郁识别中,提升了识别准确率。并提出了基于样本概率的集成剪枝算法,进一步提升了抑郁识别的效果。