随着信息技术的发展,语音交互在信息传递中的占比越来越大,语音信号处理也变得越来越重要。在语音信号处理技术当中,语音活动检测作为语音信号处理的前级技术,是语音增强、语音识别等语音处理中的必要环节,其准确率对整个语音信号处理体系有着较大的影响。虽然在信噪比较高的环境当中,传统的语音活动检测方法已经能达到较高的准确率,但在现实场景中,噪声种类较多且信噪比较低,这导致语音活动检测效果急剧下降。因此,研究在不同背景噪声和低信噪比的情况下提升语音活动检测的准确率具有重要的意义。本文在总结现有的语音活动检测算法基础上,提出使用集成学习方法gcForest来进行语音活动检测。集成学习算法是一种新的机器学习方法,它使用多个学习器的组合来进行学习,并能根据不同的组合方式来适应不同的学习任务;相对于单一学习器,集成学习能够明显提升系统的泛化能力,为语音活动检测带来了新的解决方案。为此,本文主要做了以下工作:(1)从理论出发,在大量文献的基础上,分析已有的语音活动检测算法的优势和劣势,并从仿真层面进行验证;(2)使用贴近人耳感知特性的MFCC系数作为特征,提出了使用集成学习框架gcForest作为分类器进行识别,利用gcForest较好的学习能力和泛化能力来对数据进行建模,并采用K折交叉验证防止过拟合,仿真表明了这种集成学习分类器相比SVM来说具有较好的检测能力和抗噪性能;(3)从增加集成学习器的多样性入手,通过在gcForest框架当中增加两种不同的AdaBoost集成学习器来达到对输入属性和算法参数的扰动,来增加整个框架的多样性;在信噪比逐渐降低时,改进后的gcForest框架对噪声的敏感程度要更低;(4)使用HMM来作为gcForest框架的前级结构,利用HMM拥有对动态数据较好的建模能力来对语音和静音数据进行建模,并用Viterbi算法进行解码,将解码后的N个最佳识别结果作为gcForest的特征矢量进行分类,进一步提高语音活动检测的性能。