语音端点检测是一种从掺杂有背景噪声的语音信号中区分出语音和非语音信号的技术,它直接影响着语音识别、语音增强等语音处理技术的性能。因此,语音端点检测算法的研究对语音处理技术性能的提高有着关键性的作用。目前,语音端点检测算法主要有基于特征阈值和基于模型匹配两类。其中,基于特征阈值的端点检测算法通过对比提取的语音信号的特征值和实验前设定的阈值进行比较,从而实现语音和噪声的判定。基于模型匹配的端点检测算法先通过训练数据集样本训练分类器,然后利用训练好的分类器判定每帧信号为语音或噪声,从而达到语音端点检测的目的。随着神经网络技术的发展,基于神经网络的语音端点检测算法在诸多基于模型匹配的语音端点检测算法中异军突起。藏语语音端点检测是藏语语音处理的基础性工作,但相对于汉语和英语等语种,藏语语音端点检测技术还处于初级发展阶段。一方面,藏语语音端点检测算法目前还停留在基于特征阈值的端点检测算法上,并且藏语在该类算法上应用也比较少;另一方面,基于模型匹配的语音端点检测算法还没有在藏语中进行应用。因此,藏语语音端点检测技术还有很大的发展空间。本文针对藏语语音端点检测技术发展现状,分别采用基于特征阈值和基于模型匹配的两类端点检测算法进行了藏语语音端点检测技术研究。同时,本文提出了基于一维卷积神经网络的藏语语音端点检测算法。首先,本文将三种常用的基于特征阈值的端点检测算法应用在连续藏语语音上。实验对比发现,在该类算法中基于短时能量和过零率的端点检测算法和基于谱熵的端点检测算法在高信噪比环境下准确率较高,但随着信噪比的降低,它们的准确率表现出急剧下降的现象。相对而言,基于梅尔频率倒谱系数的藏语语音端点检测算法的准确率在不同噪声和信噪比环境下都具有较好的表现。其次,为进一步提升复杂噪声环境下端点检测算法在藏语语料上的准确率和鲁棒性,本文提出了基于一维卷积神经网络的语音端点检测算法并将其应用在藏语上。该算法的主要思想是在保留二维卷积神经网络的局部观察、权值共享及高层聚合等特性的同时,将二维卷积神经网络的输入层、卷积层和池化层由二维结构置为一维。本文算法在简化神经网络结构的同时,实现了复杂噪声环境下藏语语音端点的准确检测。仿真实验表明,与基于梅尔频率倒谱系数的语音端点检测算法和基于二维卷积神经网络的语音端点检测算法相比,本文提出的语音端点检测算法准确率更高、鲁棒性更强。