为了优化梅尔频率倒谱系数（MFCC）特征提取算法，提高对呼吸声信号识别的准确率，实现识别慢性阻塞性肺病（COPD）的目的，提出了基于希尔伯特黄变换（HHT）的MFCC与短时能量（Energy）融合的特征提取算法HHT-MFCC+Energy。首先，经预处理的呼吸声信号通过HHT计算出Hilbert边际谱和边际谱能量；其次，谱能量通过Mel滤波器得到特征向量，再对特征向量取对数和进行离散余弦变换得到HHT-MFCC系数；最后，将信号的短时能量与HHT-MFCC特征向量融合形成新特征，并通过支持向量机（SVM）进行信号识别。将MFCC、HHT-MFCC和HHT-MFCC+Energy三种特征提取算法结合SVM进行呼吸声信号识别，实验结果表明，所提出的特征融合算法在COPD患者和健康人呼吸声识别效果上都优于其他两种算法：当提取24维特征、选取100个训练样本时，识别率平均值能达到97.8%，分别比MFCC和HHT-MFCC高出6.9个百分点和1.4个百分点。