梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients, MFCC)是一组用来建立梅尔倒频谱的关键系数。由音乐讯号当中的片段，我们可以得到一组足以代表此音乐讯号之倒频谱，而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同 ，梅尔倒频谱最大的特色在于，于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的，也就是说，这样的频带会较一般我们所看到、线性的倒频谱表示方法，和人类非线性的听觉系统(audio system)更为接近。例如：我们在音讯压缩的技术中，便常常使用梅尔倒频谱来处理。

梅尔倒频谱系数通常是用以下方法得到的：

1. 将一讯号进行傅里叶转换（Fourier transform）

2. 将频谱映射（mapping）至梅尔刻度，利用三角窗函数（triangular overlapping window）

3. 取对数（logarithm）

4. 取离散余弦转换（discrete cosine transform）

5. MFCC是转换后的频谱

取得梅尔倒频谱的方法众多，上述只是其中一种。

另外，ETSI在2000年左右有定义一套专为移动电话设计的梅尔倒频谱系数算法。

梅尔倒频谱系数并非相当稳定，在计算当中，一组系数其实相当容易受到外加的噪声影响；为了对抗噪声，我们通常会将梅尔倒频谱系数在语音辨认上进行正规化(normalization)的动作，以减少噪声造成的影响。

另外，有些研究者会将梅尔倒频谱系数基础的算法设计的更加顽强，例如：在进行馀弦转换前增加对数化梅尔系数的能量值至一个合适的范围，以减少诸如噪声等低能量项对于整个系数结果的影响。

梅尔倒频谱系数通常可以用于作为语音辨识(speech recognition)系统中的特征质观察，例如：可以自动辨认一个人透过电话说的数字。梅尔倒频谱系数通常也可以作为声文辨识(Speaker Recognition)，也就是、用来辨识某段语音讯号的发话者是谁的技术。

梅尔倒频谱系数在近年来于音乐分类(music genre classification)相关应用的领域也逐渐崭露头角，例如寻找一段音乐的相似程度等。

语音辨识

梅尔频率倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。 MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。