咳嗽是许多呼吸道疾病的一种常见症状，咳嗽特征的改变将为呼吸道疾病病理机制的研究提供重要的线索。评估其强度及发生的频率可以为患者的诊断和治疗提供很大的帮助。至今这种对咳嗽的评估，主要依靠主观措施，如：咳嗽反射敏感性测试、咳嗽可视模拟测评、生活质量问卷、咳嗽症状描述和患者的日记等。由于人为的监测及处理缓慢且乏味，容易受主观因素影响而出错，而患者对自身咳嗽特征进行描述未必完整、专业，研究自动的咳嗽识别系统及其算法非常必要。咳嗽信号的识别研究同语音类似，主要集中于预处理、特征提取以及识别阶段，如采用不同的端点检测方法（预处理阶段）、提取不同类型咳嗽的基频特征、或研究其时域和频域特点，最后采用隐马尔科夫模型和神经网络等模型构建咳嗽识别系统。现有的HMM（隐马尔科夫模型）方法在咳嗽识别领域是应用得最为广泛的，但是其算法复杂度高，而且医学领域的样本偏少，对HMM的训练过程不利。为了避免这些情况出现，就需要对特征参数的维数进行压缩，以及寻找其他过程与处理更加简单的方法。本文从信号处理中常用的语谱图出发，再针对语音识别中被广泛使用的Mel倒谱参数，通过分析这两个频域方面参数的特点，得到了语谱图能量参数以及Mel倒谱参数计算过程中的Mel刻度滤波器对数能量参数，对这两种频域参数进行了相应的量化处理，进行咳嗽识别。而Mel倒谱参数我们将其作为HMM算法的输入信号，得到识别结果，与本文的前两种参数的识别结果进行对比。在实验过程中，为了比较端点检测得到的样本集与人工标记的样本集对各种方法的影响，我们分别对这两种情况做了实验结果和分析。最后在病房环境下对录音文件进行实验，使用人工标记的样本集进行实验，语谱图能量参数的敏感性结果为69.4%，特异性结果为86.5%；Mel刻度滤波器对数能量参数的敏感性结果为93.9%，特异性结果为94.79%；HMM方法的敏感性结果96.2%，特异性结果为96.9%。使用端点检测样本集进行实验，语谱图能量参数的敏感性结果为78.8%，特异性结果为53.5%；Mel刻度滤波器对数能量参数的敏感性结果为91.5%，特异性结果为25.8%；HMM方法的敏感性结果85.7%，特异性结果为87.5%。