1.一种基于多特征融合的伪造语音检测方法，其特征在于，包括以下步骤：

获取伪造语音以及对应的正常语音，构建伪造语音和正常语音的标签；

针对伪造语音和正常语音分别执行以下过程：对语音进行特征提取得到不同维度的多类特征，对不同维度的多类特征分别缩放到相同维度得到多类基特征后，利用特征平衡矩阵对多类基特征进行融合，得到融合特征；其中，特征平衡矩阵为待训练的参数矩阵W＝[w1,w2...wn]，初始值为符合正太分布的随机数，被放入伪造语音检测模型进行训练，使该特征平衡矩阵在训练过程平衡各个基特征对模型分类的贡献，各个基特征F通过特征平衡T矩阵融合得到的融合特征Fu＝F×[w1,w2…wn]；

构建由长短期记忆网络和全连接神经网络组成的伪造语音检测模型，利用伪造语音的融合特征和标签、正常语音的融合特征和标签对伪造语音检测模型进行有监督学习，以优化伪造语音检测模型的模型参数和特征平衡矩阵；

应用时，利用融合权重参数确定的特征平衡矩阵获取待测语音的融合特征后，利用参数优化的伪造语音检测模型对待测语音的融合特征进行检测，以输出检测结果。

2.如权利要求1所述的基于多特征融合的伪造语音检测方法，其特征在于，对语音进行特征提取得到的多类特征包括：基频、梅尔倒谱系数、非周期成分、梅尔频谱、能量谱、频谱、线性预测系数、线性预测倒谱系数。

3.如权利要求1所述的基于多特征融合的伪造语音检测方法，其特征在于，采用最邻近插值法对分别将不同维度的多类特征缩放到相同维度得到多类基特征。

4.如权利要求1所述的基于多特征融合的伪造语音检测方法，其特征在于，所述特征平衡矩阵由表示融合权重参数组成，采用符合正态分布的随机数初始化融合权重参数。

5.如权利要求1所述的基于多特征融合的伪造语音检测方法，其特征在于，在对伪造语音检测模型进行监督学习时，采用交叉熵损失函数作为模型的优化目标。

6.一种基于多特征融合的伪造语音检测装置，包括存储器，处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～5任一项所述的基于多特征融合的伪造语音检测方法。