语言是人类所特有的生理功能，是日常交流中最常用且最直接的方式。随着人类生活方式的改变，社会交流日益增加，嗓音疾病的发病率显著上升。随着模式识别技术的成熟，病理嗓音疾病的客观自动检测实现了无损检测，检测结果客观。病理嗓音识别研究代替传统临床主观检测成为研究热点。目前病理嗓音识别研究主要集中于特征参数提取与特征参数优化这两个重点。针对于特征参数提取方面，本文为了提高基频类参数的准确性，提出了基于最优病理嗓音重构的基频检测算法，该算法利用小波重构病理嗓音信号，去除高次谐波，再利用近似熵及最大李雅普诺夫指数自适应选择最优重构病理嗓音进行基频提取。此算法可以有效抑制传统基频检测算法中出现的倍频及半频误差。此外在非线性参数方面提出了小波能熵比，该参数结合了小波能量及小波熵的优势，很好的表征了病理嗓音的能量及复杂度特征。在特征参数优化方面，为了降低特征参数维度，本文采用了支持向量机权重匹配的参数融合算法进行特征参数融合。首先先对传统特征参数进行Spearman相关性分析，选取相关性较小的声学参数组成传统参数集。再利用核主成分分析对倒谱类特征参数进行参数降维，降低了MFCC与LPCC间的冗余度。最后将三个参数集利用支持向量机进行权重匹配，给予给参数集适当权重，最终组合成一个最优参数集。本文实验部分首先对病理嗓音库进行统计分析，此外对各类参数进行了分析研究，利用多种分类器对最优特征参数集进行识别研究。与原始特征相比，本文算法病理嗓音与正常嗓音识别率达96.92%，声带小结与声带息肉间识别率达83.22%。各项识别率均得到提高。