语音端点检测的目的是从语音信号中区分出语音段（有声段）和非语音段（无声段）,但是语音信号中往往会伴随着各种噪声,噪声的存在直接影响了端点检测的性能。本文从基于特征参数的语音端点检测方法出发,对噪声环境下的语音端点检测展开研究,具体的研究工作包含如下方面:一、针对基于单特征的语音端点检测方法所用特征在低信噪比环境下鲁棒性不佳的问题,本文将语音信号Gammatone频率倒谱系数（Gammatone Frequency Cepstral Coefficient,GFCC）的第一维系数GFCC0引入到语音端点检测任务中,结合多窗谱减法实现语音信号的端点检测。在babble和volvo等四种噪声环境下使用GFCC0特征法可以取得比谱熵法和对数频谱距离法更高的检测准确率,结合多窗谱减法虽然会增加检测时长,但可以进一步提升GFCC0特征法在低信噪比babble噪声和volvo噪声环境下的检测准确率。二、针对基于多特征融合的语音端点检测方法在复杂噪声环境下端点检测性能不足的问题,本文提出一种结合Gammatone频率倒谱系数与Mel频率倒谱系数（Mel Frequency Cepstral Coefficient,MFCC）的融合特征,通过将语音信号的GFCC0与MFCC0特征相乘构造第一类融合特征。第一类融合特征可以实现对语音段的有效追踪,但在部分噪声环境下对语音段中清音的追踪能力略有不足。三、针对第一类融合特征对清音段追踪能力不足的问题,本文提出了一种自适应加权融合方法,利用清音追踪能力较强的投影特征和浊音追踪能力较强的子带谱熵特征分别提升GFCC0特征对清、浊音的追踪能力,构造兼顾语音段中清、浊音追踪能力的第二类融合特征。四、针对固定阈值的端点识别方法影响端点检测性能的问题,本文在提取两类融合特征的基础上,利用自适应估计的双门限法作为端点识别方法,分别基于两类融合特征实现带噪语音信号的端点检测。在pink和volvo等七种噪声环境下的实验结果表明,第一类融合特征可以在其中五种噪声环境下有效提升端点检测的准确率,而第二类融合特征在七种噪声环境下均取得了比对比算法更好的检测结果,特别是在volvo噪声环境下的检测准确率可以达到94.5%以上。