在信号处理与分析领域中,语音信号编码是重要的研究课题,同时也是数字通信、语音识别以及通信保密的基础。目前,基于语音样本的相关性的线性预测编码(linear predictive coding,LPC)已通过线性模型对语音样本进行了预测,被广泛的应用在语音信号处理领域。但在以往的研究中发现,语音信号及其时间序列均表现出复杂的非线性特性,语音信号有界,分维形有限且通常不为整数,最大的Lyapunov指数为正等现象都表明语音信号具有混沌特性。该发现为语音信号研究提供了新思路,使得研究方向从线性领域转向非线性领域,并开始尝试用不同的非线性方法处理语音信号。本文在混沌语音信号处理的基础上,对现有语音信号混沌时间序列预测模型的参数进行 了改进,利用 DUPSO(Dissipative and Uniform Particle Swarm Optimization)优化算法对模型进行了系数求解。具体研究工作如下:1.对语音信号进行分析。本文利用混沌理论的相关知识及最大的Lyapunov指数对语音样本进行分析,选择具有混沌特性的语音信号作为本文算法的研究对象。2.对DUPSO算法进行了改进。为了使DUPSO算法更好的对语音信号进行预测建模,本文新提出以最小样本最大误差作为适应度函数,确保算法的准确性。3.对语音信号预测建模。在解的构造中考虑了相空间的因素,无需进行相空间重构。同时引入帧长参数的概念,突破了语音信号处理中固定帧的限制从而选择了最优的数据帧,并通过对最优帧建模,获得一组具有良好推广力的规范化模型。4.仿真分析。对论文所得模型进行了实验仿真,结果表明,本文所提出的算法能较为充分的挖掘混沌语音信号的时间序列信息,更加准确的建立混沌语音信号预测模型,较之传统算法减小了误差,并为语音信号处理提供了一种新的思路。