语音识别技术在人们的日常生活中发挥着重要的作用，其目的是识别出语音信号中含有的语音信息，但语音信号中通常有一半以上的不含语音信息的噪声片段，所以利用语音端点检测技术将语音片段和噪声片段区分开来，有着不容忽视的重要性。目前常用的语音端点检测算法通常存在参数单一、环境适应能力弱和抗噪性能差的缺点。文章结合小波理论和支持向量机对语音端点检测算法进行研究。　　小波变换的窗口大小能随频率的变化而变化，且低频对应大时窗，高频对应小时窗，符合语音信号的分析规律，所以基于小波分析提取的特征参数很好的反映了语音信号的特征信息。支持向量机作为一种新型的神经网络，能有效解决非线性空间的小样本问题，并且克服了传统神经网络“过学习”和“局部最优”的难题。文章应用支持向量机对特征参数进行训练学习，能使算法适应于不同的噪声环境。　　文章通过两个方面对基于小波分析和支持向量机的检测系统进行优化:一方面，将小波分析提取的7个特征参数通过正交实验设计分析加权，使不同参数对语音信号的表示程度不同，从而达到优化参数的目的;另一方面，针对支持向量机系统参数的优化选择问题，首先介绍了基于遗传算法的参数确定方法，但是存在一些不足，对此提出改进方法，最后一章对文中提出的方法用MATLAB7.0进行仿真，并且与文章介绍过的几种传统方法进行对比分析。从实验结果可以看出，基于小波分析和支持向量机的端点检测方法检测效果更好，在-5dB～10dB信噪比环境中保持检测准确率在93％以上。