填音、笑声、掌声等非文字音频事件频繁地出现在自然口语语音中,它们在一定程度上能够反映出说话人的情感状态和精神状态、谈话的主题及氛围等。因此,非文字音频事件的检测可以提高语音检索系统的性能、也有助于语音情感识别、说话人识别和精彩内容的提取。本文统计分析了各类音频事件(语音、填音、笑声、掌声和其它声音)之间的时频特征差异,提出了基于遗传算法的特征参数与隐马尔可夫模型参数联合优化方法以及非文字音频事件检测的有效方法,主要贡献如下:(1)基于实验数据集,统计分析了各类音频事件在时长、基音频率、谱稳定性、音节重复性和出现的位置等方面的差异,为非文字音频事件检测提供了参考依据。(2)为了解决掌声时长变化范围非常大带来的有效模型构建困难的问题,同时解决基于滑动窗的检测方法得到的掌声边界误差比较大的问题,提出了一种基于规则的掌声快速检测方法。该方法利用掌声与非掌声事件之间的时长和基音频率差异,无需构建复杂的统计模型就能检测出会议语音中的掌声。跟基于滑动窗的检测方法相比,F1度量值提高了3.62%、节省了大约35.78%的计算时间、获得了更小的掌声边界误差。此外,该方法还能提取出混合信号段中的掌声信号子段,而基于滑动窗的方法只能将混合信号段判为掌声(如果掌声处于主导地位)或非掌声事件(如果非掌声事件处于主导地位)。(3)考虑到音频事件区分时,特征参数与隐马尔可夫模型参数设置都会对区分结果产生直接的影响,提出了一种基于遗传算法的特征参数与隐马尔可夫模型参数联合优化方法。实验结果表明:该方法在区分音频事件时获得了最高的区分正确率90.2%,得到了特征参数与隐马尔可夫模型参数的最佳匹配。与文献报道的单独优化特征参数、单独优化隐马尔可夫模型参数、特征参数与隐马尔可夫模型参数都不优化的三种方法相比,区分正确率分别提高了5.05%、3.53%和8.08%。(4)在分析了各类音频事件之间特征差异的基础上,提出了一种基于规则和统计模型的非文字音频事件检测方法。首先,采用基于规则的掌声快速检测方法检测出长掌声,接着采用基于统计模型的方法检测出其它非文字音频事件。实验结果表明:该方法检测三种非文字音频事件(笑声、掌声、填音)的平均准确率、召回率和F1度量值分别为87.3%、93.77%和90.42%。跟基于滑动窗的检测方法相比,检测填音、笑声和掌声的平均F1度量值提高了7.52%,而且获得了更小的边界误差。综上所述,本文以自然口语语音中的非文字音频事件作为研究对象,对非文字音频事件的自动区分、检测问题进行了深入地研究,并取得了一些有益的研究成果,为进一步提高语音检索系统的性能奠定了基础。