自然界中许多复杂的现象其实源于简单的非线性动力学规律,但是这些简单的非线性动力学规律所产生的现象的复杂程度往往相当高,有时还可能表现出随机特性,因此在实验中往往很难直接地观测到这些现象的内在的非线性动力学规律。在众多的复杂的自然现象中,人类的发声过程其实是一个高度复杂的非线性动力学过程,因此语音信号中包含丰富的非线性现象,比如：次分频,倍周期分岔,混沌等,对于它的研究不仅可以应用于语音的编码压缩以及合成,而且可以揭示语音产生的复杂的过程以及规律。本文通过两个方面来对语音信号进行研究,一方面通过语音信号的全局建模来研究语音的全局动力学特性,另一方面通过现有的声带模型以及神经模型来进一步研究语音的全局动力学特性,以此揭示语音产生的复杂的过程。本文利用项序重排法来优化基于径向基函数的全局模型,并且通过仿真和实验来验证了该方法的有效性。通过实验发现项序重排法不仅有效地提高了全局模型的预测性能,而且显著地降低了全局模型的贝叶斯信息准则的值。在应用到语音信号的全局建模时,发现优化过的全局模型能够更好地捕获语音信号中的可预测成分,同时使得残差信号更加接近白噪声,因而有可能应用到语音信号的压缩编码以及合成。在声带模型和神经模型的基础上,建立了语音信号的全局模型。实验过程中,通过测量获得语音信号后,分别经过声带模型反演以及神经模型反演,得到语音产生的神经激励信号,最终可以获得激发语音的神经激励。实验发现,有可能通过简单的神经激励获得复杂的语音信号。本文通过两个方面对语音信号进行研究,进一步揭示了语音产生的复杂动力学过程。