咳嗽是呼吸系统疾病的常见症状,咳嗽音检测可以为呼吸道疾病的临床诊断提供有价值的参考。目前深度学习已成为语音识别的主流方法,混合结构的深度学习网络应用于某些特定场合的咳嗽识也取得了很高的识别准确率。但是本文所针对的应用场景为24小时随身咳嗽监测,这种应用场景要求采集设备便携且续航能力强,因此不宜采用计算量大的算法,亦无法频繁与云平台通讯实时获取识别结果。因此本文选择以传统的机器学习模型来设计咳嗽识别算法,并尽量降低特征维度,以期在保证较高识别准确率的前提下,尽可能降低算法的计算量。传统机器学习的关键在于合理地提取特征;本文聚焦于此,根据咳嗽音的产生机理,将咳嗽音视为声道对激励信号调制的结果,提取声道模型特征和激励信号能量特征以识别咳嗽,主要工作如下:（1）文献中常对整段咳嗽信号分帧求取Mel频率倒谱系数（Mel Frequency Cepstral Coefficients,MFCC）作为咳嗽识别的主要特征。本文在此基础上,选择以咳嗽音爆发阶段的MFCC作为咳嗽识别的特征并分析了其合理性,同时确定了MFCC特征向量的维度等关键参数。（2）利用线性预测编码建立声道模型,并以此构建滤波器,实现声道与激励信号的分离,以抑制声道调制的影响,从而更准确地计算咳嗽音激励信号的强度;采用短时能量量化激励信号的强度,以方差最大化为目标,利用主元分析（Principal Component Analysis,PCA）构造特征变换矩阵以提取咳嗽音激励信号的能量特征,并结合咳嗽气流的特点分析了通过该变换矩阵所得能量特征的合理性。（3）采用线性支持向量机对比不同特征参数的识别效果,进一步验证了所提取特征的有效性;基于高斯核函数的支持向量机建立咳嗽音识别模型,并确定了高斯核函数的关键参数,进而开发咳嗽音自动检测软件。测试结果表明,所建立的咳嗽音识别模型灵敏度达到93.64%,特异度达到97.50%,为后续长时间咳嗽监测和疑似咳嗽初筛打下了良好的基础,所开发的安卓应用程序也基本满足了功能需求,达到了预期效果。