随着生理学、声学、电子技术、信号处理等学科的快速发展，语音识别技术发展到了一个全新的高度，已经从实验室转到了实际应用中，但由于环境噪声的复杂性，实际应用中语音识别率还需进一步提高，这就需要从理论算法上深入研究，以提高准确率。传统的语音处理时频分析方法如短时傅里叶变换、小波变换等都是假定信号为平稳或分段平稳的，而语音信号是一种非平稳非线性信号，故上述方法不能在根本上解决傅里叶变换的弊端。所以，本文研究了以瞬时频率为基本单元的经验模态分解(EMD)方法，分析了在不同的信噪比下，检测数据端点，进一步识别信息的算法，对语音识别的应用具有现实意义。本文主要完成的工作如下：1、研究了Huang N E提出的经验模态分解算法的基本概念及其分解过程。将经验模态算法应用于语音信号，分解得到一组固有模态函数和一个剩余量。揭示了EMD算法的滤波特性、自适应性、多分辨性和局部特性。2、语音信号端点检测是语音识别系统的前端处理，用于检测信号中有效语音的起点和终点，检测结果会影响语音识别的准确性，分别结合短时平均幅度差函数和美尔频率倒谱系数，本文提出了两种适用于低信噪比环境下的语音端点检测方法：EMD+AMDF和EMD+MFCC。利用经验模态分解算法的滤波特性，滤除语音信号中的噪声部分。通过计算机仿真实验分析了EMD+AMDF和EMD+MFCC算法的语音端点检测性能，与传统的双门限法端点检测结果进行对比，证明了算法的有效性，实现了在低信噪比下的语音端点检测。3、针对语音识别率低以及噪声影响等问题，设计了结合经验模态分解和RBF的语音识别模型。该方法利用EMD算法对语音信号进行分解，提取固有模态函数的美尔频率倒谱系数作为语音特征向量，输入RBF神经网络模型进行识别，降低了噪声对识别结果的影响，仿真实验验证了该算法有效地提高了语音识别率。