1.一种融合韵律信息的汉语方言辨识方法，其特征在于，包括：s1、输入汉语方言信号进行语音信号提取，提取信号包括声学特征和韵律特征，所述声学特征包括SDC特征，所述韵律特征包括基频特征、能量包络特征和时长特征；

s2、将提取的不同质的特征经过模型建模，转化成具有统一度量标准的特征矢量，然后进行组合构成一个统一矢量送分类器决策。

2.根据权利要求1所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述SDC特征的计算由4个整型参数决定，即(N,d,P,k)，其中N是每帧中倒谱特征的维数，d是计算差分倒谱的差分时间，P是k个倒谱块之间的转移时间，k是构成一个SDC特征的倒谱块的个数，在t帧第j个SDC特征的计算公式是：Δcj,t＝cj,(t+d)-cj,(t-d)cj,t在t帧的第j个MFFCC特征参数，所以在t帧时SDC的特征可表示为：每帧SDC特征向量的维数为N×k维。

3.根据权利要求1所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述基频特征中，基音频率包含在语音信号的浊音段中，浊音信号的每一帧可以写成：其中，n＝0,…,N-1，N是每一帧语音的样本点数，I是拟合的谐波数，αi，ωi，分别是描述第i个谐波的幅度、频率和相位，该信号x(n)的自相关为：其中，τ＝0,…,N-1，定义相邻两帧信号的自相关协方差为该帧语音的基频流特征：其中，μt(τ)＝E{Rt(τ)}，d∈(N/2,N/2]是特征矢量的下标，令：其中，δi＝ωt,i-ωt+1,i，Δ＝{δi,i＝1,…,I}，通过求导得到，假设分帧后的语音信号为 相邻两帧语音信号记为：xt(n)，xt+1(n)，n＝0,1,…N-1。

4.根据权利要求3所述的融合韵律信息的汉语方言辨识方法，其特征在于：基音特征流的具体计算方法包括：(i)利用傅里叶变换(DFT)计算各帧的功率谱密度：Pt(k)＝|DFT(xt(n))|2

其中，k＝0,1,…K-1.

(ii)对所得的功率谱密度进行平滑处理：

Pt(k)＝Pt(k)·W(k)

其中，窗函数为：W(k)＝1+cos(2πk/K)(iii)归一化平滑后的功率谱密度：

(iv)计算归一化能量谱的逆傅里叶变换(IDFT)：Rt(k)＝DFT-1(Pt(k))

(v)则基频流特征为：

其中C是归一化常数，特征矢量下标的取值范围是：-D≤d≤D。

5.根据权利要求3所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述能量包络特征中，语音信号各帧的能量参数记为：E＝{e1,e2,…,eN}，其中，ei为：

6.根据权利要求1所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述时长特征 中，对能量特征矢量作差分，然后检查差分能量中变号的次数以及两次变号间隔，将变号次数及平均变号间隔作为时长特征。

7.根据权利要求1所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述步骤s2中，采用模型融合的方法进行特征融合，计算每种特征在方言的高斯混合模型和语言模型下的概率分数。

8.根据权利要求7所述的融合韵律信息的汉语方言辨识方法，其特征在于：在高斯混合模型下，设语音信号经特征提取后为 是第t帧的语音特征矢量，T为该语音段总的帧数，则该语音段在第k个方言GMM模型下的输出概率为：其中，M为高斯混合元数目，也是符号总数，

表示第k个方言的GMM符号化模型。

表示该模型第j个高斯混合分量的加权值， 分别表示该模型第j个高斯混合分量的均值和协方差矩阵， 。

9.根据权利要求7所述的融合韵律信息的汉语方言辨识方法，其特征在于：在语言模型下，首先采用插值法对数据进行平滑处理，然后建立各种语言的二元插值语言模型，其算法如下：设经过第k个GMM模型下得到的语音符号串为： 表示第k个GMM模型下，第i帧语音的符号，i＝1,2,…,T，k＝1,2,…,N，N表示方言总数，T为总的语音帧数，则它在第i个方言语言模型下得到的对数似然为：其中，

10.根据权利要求1所述的融合韵律信息的汉语方言辨识方法，其特征在于：所述步骤s2中，分类器设计中采用的是支持矢量机，最优分类函数的算法如下：d

给定样本训练集X＝{(x1,y1),(x2,y2),…,(xn,yn)}，X∈R，y∈Y＝{+1,-1},求解最优超平面可以转化为以下最优化问题，式中，xi表示样本特征矢量，参数w和b决定超平面位置的两个参数，使分类间隔最大，该优化问题可以转化为其对偶问题求解，解得最优分类函数为：

对于两类非线性可分问题，可以通过引入核函数将其转化为高维空间的线性可分问题，通过引入松弛变量转化成下列优化问题：其中，C为常数，表示对错分样本的惩罚大小， 表示发生错误分类的量；

其对应的对偶问题为：

其中，αi为与每个样本对应的Lagrange乘子，K(xi,xj)为满足Mercer条件的核函数，最终解得的最优分类函数是: