随着早期教育越来越受到重视,儿向语音这一婴幼儿最早接触的语言得到学者们的关注。由于儿向语音对早期儿童今后成长有着积极影响,如何正确的检测并加以利用是学者长期以来研究的方向。儿向语音检测是语音信号处理研究领域中重要的组成部分,通过提高儿向语音检测的正确率,可以运用在实际的移动设备中,改善成年人与婴幼儿之间的交互体验。当前,儿向语音端点检测技术有基于SVM分类器的儿向语音检测、基于隐马尔可夫模型的语音端点检测,使用SVM分类器对儿向语音特征进行学习,其训练过程中容易造成过拟合;使用隐马尔可夫模型,对语音信号的相关性提出了严格要求;儿向语音检测准确率的高低影响成年人与婴幼儿之间的交互体验。在汉语儿向语音预处理过程中,噪声信号的复杂性也极大影响后续汉语儿向语音检测的性能,通常使用端点检测算法对带噪信号降噪处理,而利用时域参数如:短时能量参数、短时平均过零率进行端点检测,在低信噪比环境下,检测性能大大降低;在某一特定噪声环境下,利用频域特征参数如谱熵能够提升端点检测的准确率,但是在多人讲话环境或背景音乐等噪声环境,其检测效果很不理想。因此,设计了一种基于Adaboost算法的汉语儿向语音检测模型,在测试集上进行检测,训练后的强分类器在准确率和正确率方面大大优于传统的检测算法,为后续的实时交互系统开发提供便利;并且Adaboost算法简单易用,不用对特征参数进行筛选;分类器训练过程中,不用担心过拟合。在汉语儿向语音检测的预处理过程中,进一步优化该过程,设计了一种基于改进谱熵的自适应端点检测算法。不同于常见的端点检测算法中采用的固定门限阈值,这里自适应门限阈值,使得该算法适应多类不同噪声环境下的端点检测。在不同信噪比环境下,通过对比基于谱熵的端点检测算法和本文改进的算法,整体上,后者在端点检测中的准确率有所上升;在低信噪比环境下,后者具有稳定的端点检测性能。