语音端点检测的任务是从带噪语音信号中分辨出语音段和非语音段，广泛应用在语音增强、语音编码和语音识别等语音通信领域。有效的检测出语音信号的端点，不仅可以减少语音信号处理的运算量，而且可以有效的提高系统的性能。目前，现有的端点检测方法在高信噪比环境下具有很好的检测效果，但是随着噪声的增强，其检测性能都有很大程度的下降，有些方法因此而失效，因此研究低信噪比环境下的语音端点检测方法意义重大。首先介绍了语音信号预处理方法，包括预滤波和采样、预加重、分帧和加窗。然后按照时域特征、频域特征、非线性特征、多特征结合的顺序介绍了常见语音端点检测方法，给出了各种方法的数学模型、实验与分析，为低信噪比下语音端点检测方法的改进提供理论基础。在多特征结合以及非线性特征方面，提出四种新的语音端点检测方法：（1）鉴于能量谱熵特征结合了时域能量与频域谱熵的优点，将非线性动力学的统计复杂度特征应用到语音端点检测中，并将其与能量特征相结合，提出能量统计复杂度的语音端点检测方法。（2）由于近似熵的值与数据长度有关以及一致性差的缺点，而样本熵是近似熵的改进算法，比近似熵具有更好的性质，因此提出基于样本熵的语音端点检测方法。（3）复杂运动一般由规则运动和随机运动混合而成，C₀复杂度则为随机运动在复杂运动中所占的比例。传统C₀复杂度的计算基于傅立叶分析，由于傅立叶分析只能区分信号在频域内的差别，不能很有效地分析非平稳信号，而小波分析能同时利用信号与噪声在时域和频域的差别，因此提出基于小波变换C₀复杂度的语音端点检测方法。（4）传统的Lempel-Ziv复杂度分析基于二值粗粒化方法，由于二值粗粒化方法可能会丢失动力学系统的一些重要信息，因此采用多值粗粒化方法重构时间序列，提出基于多值粗粒化Lempel-Ziv复杂度特征的语音端点检测方法。此外，采用模糊C均值聚类算法和贝叶斯信息准则算法进行特征门限估计，并使用双门限法进行端点检测。在TIMIT连续语音库上的实验表明，在低信噪比环境下，四种改进方法的检测性能要优于其原有基准方法，且各自的算法时间复杂度等同于原有基准方法。