语言的声学表现形式——语音一直是人们探究的对象。空气动力学研究表明语音产生过程是非线性的。通过语音信号的非线性动力学特性研究以及语音信号的非线性处理,我们基本了解了语音信号的分形维、Lyapunov指数等“宏观”的非线性特征。但语音是短时非平稳信号。那些基于信号平稳、数据量足够多之假设所得到的分析结果,不能准确细致地刻划语音信号的非线性特征,特别是一些时域或其子空间的微结构特征。语音的非线性分析与非线性信号处理正转向精细结构特性的分析。因此,本文围绕语音的时域及分解子空间的非线性微结构开展研究。这既是认识语音的需要,也是目前电子技术、信号处理技术及计算机科学高度发展的条件下,更有效地应用语音信号处理技术的需要。语音信号的声学原理是研究的基础。首先根据音素的发声机理,讨论浊音的声门振荡模式、清音的湍流声源模式和交互作用模式这三种不同的非线性模式。然后回顾总结已知的语音信号非线性特性。在语音信号分析模型方面,介绍了语音的线性预测模型(Linear Prediction,LP)、非线性回归模型及非线性振子模型,从非线性振子的动力学方程导出了一阶和二阶的局部近似模型,研究了这些模型与LP模型、非线性回归模型之间的关系。这使得由非线性回归模型导出的局部线性预测模型(Local Linear Prediction, LLP)和二阶Volterra模型有了语音声学解释。波形随幅度变化,这是非线性信号的一个特点。语音音素含有振幅时变的起始和结束部分。递归图分析方法是一种适用于短时非平稳信号的图形分析方法。用这种方法分析元音及鼻音信号的起始和结束等暂态部分的特性。这有益于提高那些基于相点距离的非线性分析方法。为了更细致分析语音起始和结束部分的递归特性,我们提出了一种多级阂值递归图的递推方法。这种方法的计算复杂性低于原递归图分析算法。通过分析状态演化进程,提出一种部分自适应多步局部线性预测算法(Partially Adaptive Multi-step Local Linear Prediction, paLLP),并且分析了算法的精度和计算复杂性。和已有的两种非线性递推预测算法比较表明,这种算法有理想的预测精度。而计算复杂性分析表明,这种算法计算量远低于LLP算法。在实验中,以Lorenz混沌序列验证算法的可行性、精度、计算复杂性及抗干扰能力。对元音和鼻音信号的比较性实验结果则表明,在语音的非线性预测中,paLLP算法是一种高效的、高精度算法。和LP算法相比,paLLP算法不仅精度高,而且预测残差中周期性大大减小,这将有益于基于paLLP的码本激励编解码中码书性能的提高。受LD-CELP的启发,我们设计出一种基于paLLP算法的A-B-S(Analysis-by-Synthesis)语音编解码器,介绍了这种编码器的实施原理。作为非线性非平稳信号分析方法,经验模式分解(Empirical Mode Decompo-sition, EMD)也应用于语音信号处理中。EMD的应用使得语音信号的分析可以在其本征模态函数(Intrinsic Mode Function, IMF)子空间中进行,但很多应用中只是直观地选择部分IMF作为后续处理的对象。为了合理选择和应用IMF,本文分析了IMF的非线性特性。由于原始EMD算法筛分过程不稳定,分析中应用加窗平均经验模式分解(Windowed Average-EMD, WA-EMD)方法作语音信号分解。通过预先指定一组期望频率,用WA-EMD算法将语音信号稳定地分解为一组指定个数的IMF。通过估计IMF功率谱的Hurst指数,区分出包含原语音中重要信息最多的IMF。用高阶奇异谱分方法分析各IMF的嵌入维信息。结果表明,除了少数高频IMF,其它的IMF嵌入维都低于原语音信号的嵌入维。最后估计各元音所有IMF的三阶谱和归一化三阶谱,分析IMF的非线性。实验结果表明,包含原语音中信息最多的IMF基本上是线性的。这将简化诸如语音瞬时基音频率的估计等语音处理。本文的研究成果让我们更加深入地认识语音信号的非线性特性,提高语音信号的非线性处理性能。