现有主流语音伪造检测模型大多基于深度学习技术构建，关于集成学习方法在该领域的应用研究相对较少。鉴于集成学习在提高检测系统泛化能力和鲁棒性方面的优势，为进一步拓展语音伪造检测方法可优化的方向，深入研究了常见的集成学习方法，分别构建基于不同集成算法的语音伪造检测模型与深度学习模型进行对比实验。结果表明，通过集成可以更全面地理解和捕捉伪造攻击的多样性，提高了模型融合的灵活性，并且结合深度学习和适当融合策略的集成学习模型能够取得更好的语音伪造检测效果，其中LightGBM和结合投票法的并行训练模型表现更优。