在水下通信、高空任务和救援行动等需要佩戴全面罩的情况下,全面罩的封闭性使语音发生畸变,这种畸变阻碍了人类的正常通信,给人类的行为活动造成了各种不便。因此,面罩语音矫正技术对人类的科学探索、国防建设、社会生活、救援行动和军事活动都有着极其长远的意义。面罩语音矫正实际是一个非线性建模的问题,其本质是利用非线性映射模型对面罩语音和正常语音的特征参数进行建模,以达到矫正面罩语音的效果。本文针对神经网络的非线性映射能力在面罩语音矫正系统中的应用,主要做了以下几点工作:(1)面罩语音特性分析。为了深入剖析面罩语音,在语音信号分析的基础上,对面罩语音的特性进行时、频域分析,总结面罩语音的激励信息和声道信息特点。(2)基于GRNN和LSP参数的矫正模型研究。利用GRNN分别对携带声道信息的LSP参数和携带激励序列信息的预测误差信号进行非线性预测,构建相应的参数矫正模型。在此基础上,采用k折交叉验证法和粒子群(PSO)算法对GRNN参数寻优,进一步提高网络预测精度。实验结果表明,两种算法都能实现对网络参数的优化,其中,PSO优化后的GRNN对面罩语音的矫正效果更好。(3)基于GRNN和STRAIGHT谱参数的矫正模型研究。针对基于LPC模型与GRNN的矫正模型导致的频谱不连续,在GRNN非线性映射的基础上,利用STRAIGHT模型提取独立的基音周期和频谱参数用于网络训练。实验结果表明,该方法能有效地平滑转换后的频谱,提高矫正后语音与正常语音的频谱相似度。(4)基于K均值算法的训练样本统计平均。为了在保证预测精准度的同时加快矫正模型的训练速度,利用K均值算法对训练样本聚类并求中心值。实验结果表明,该方法不但能缩短矫正模型的训练时间,在训练样本数量一定的情况下,还能提高面罩语音矫正系统的泛化能力。