非平稳信号的分析是信号处理领域中的重要内容之一,但是目前用于分析非平稳的处理方法,都是基于傅立叶分析理论,因而同样受到傅立叶分析理论的制约。语音信号是一个复杂的非线性、非平稳随机过程,这使得基于线性平稳线性系统理论发展起来的传统语音信号处理技术性能难以进一步提高。近年来发展起来并逐步完善的非线性、非平稳信号处理方法为语音信号处理技术的发展带来了新的生机。希尔伯特-黄变换能够摆脱傅立叶分析理论的束缚,在实际应用中显示出了独特的优点。基于经验模态分解的时频分析方法,被认为是近年来对以傅立叶分析为基础的线性和稳态数据分析的一个重大突破。本文以复杂背景噪声下基于希尔伯特-黄变换的语音流检测为目标,主要的研究内容如下:首先详细地阐述了经验模态分解方法和以此为基础的Hilbert-Huang变换的基本原理和算法。介绍了HHT的主要依据、基本概念、基本方法、算法步骤。并分析了希尔伯特-黄变换的性质,通过与Fourier变换的比较,说明了希尔伯特-黄变换在处理非线性、非平稳信号中的优越性。针对经验模态分解中端点效应问题,阐述了端点效应产生的机理,系统地介绍了以往处理端点效应的算法,考虑到端点效应问题在学习领域属于小样本问题,将统计学习的理论应用到了端点延拓的问题上来。针对支持向量回归机中参数难于选取的问题,给出了基于微粒群优化(PSO)的参数选取方法。基于PSO参数选取的支持向量回归机方法有效地解决了数据的端点延拓问题。在经验模态分解(EMD)和高阶统计量的基础上提出了一种新的语音流检测算法。通过EMD,含噪语音信号被分解为一定数量的固有模态函数(IMF),然后,四阶统计量提取IMF信号的统计特性。由于高阶统计量能够抑制高斯噪声的影响,该方法对于高斯噪声下的语音流检测特别有效,同时,由于引入了EMD,该方法对非高斯噪声也具有很好的性能。基于希尔伯特谱的语音流检测是本文研究的另一个内容。通过对含噪语音信号进行经验模态分解,通过计算各层IMF的边际谱,提取包含语音主要成份的IMF分量,进而利用基于时间的边际谱提取特征,进行语音流检测。实验表明,该算法有助于提高在低信噪比下的检测性能。