阻塞性睡眠呼吸暂停（OSA）是一种常见的睡眠障碍,是心血管疾病的危险因素之一。打鼾是阻塞性睡眠呼吸暂停综合征患者的典型症状。上气道阻塞和振动的位置,决定了打鼾和阻塞性睡眠呼吸暂停综合征的手术方案的选择。为了寻找一种能够替代药物诱导睡眠内窥镜检查（DISE）的非侵入式的方法,实现对打鼾时上气道阻塞和振动位置的准确定位,本文提出了一种基于特征融合的深度语谱特征的鼾声分类方法。本文使用的数据是Munich-Passau鼾声语料库（MPSSC）中阻塞性睡眠呼吸暂停患者在DISE检查期间的被采集的鼾声音频信号,由于该语料库已经对数据进行了预处理,包括对有声段与静音段的切割、分段;对鼾声段与有声段的识别;对鼾声段在打鼾时上气道阻塞和振动位置的标记。语料库中的数据为219名受试者的828个鼾声音频和对应的阻塞和振动位置的标记,每个音频的时长在0.73秒到2.75秒之间,分为训练集、开发集、测试集三个子集。本文对每一段鼾声分别进行短时傅里叶变换（STFT）和常数Q变换（CQT）,得到基于STFT的语谱图和基于CQT的语谱图。本文通过将得到的两种语谱图分别输入预训练的Alex Net深度卷积神经网络,提取深度语谱特征。本文尝试使用多种方法对提取后的基于STFT的深度语谱特征和基于CQT的深度语谱特征进行特征融合,并且采用竞争粒子群优化（CSO）算法对融合后的特征进行特征选择。在分类器方面,由于特征维度较高,同时样本量较少,本文选取了支持向量机（SVM）分类器,该分类器对OSA患者在打鼾时上气道阻塞与振动位置的识别,与INTERSPEECH 2017计算旁语言学挑战鼾声子挑战中的最好结果相比,在开发集上的未加权平均召回率（UAR）从50.6%提高到了53.9%,测试集上的UAR从64.2%提高到了67.5%。