语音端点检测的目的是检测出语音信号中的语音与非语音片段。在很多先进的语音处理应用的前端处理部分,比如语音识别,声纹识别和语音传输,语音端点检测都是重要的步骤。在所有语音端点检测系统中,基于能量的语音端点检测最常被使用。基于能量的语音端点检测在无噪声环境下性能较好,但是在噪声环境下性能下降较多。自适应语音端点检测与传统的基于能量的语音端点检测相比,具有很多方面的优势。然而,自适应语音端点检测中,唯一的最低能量门限不能适应不同的噪声背景。本文的第一个研究内容,提出了一种方法改进这个问题,一种基于k-means的平均能量聚类方法,可以为每个语音找到更适合的最低能量门限。此外,实验中还使用了中值滤波,以平滑短时噪音产生的干扰。在NIST SRE2006说话人测评(SRE)数据上的实验表明,我们提出的方法比传统基于能量的VAD和自适应VAD均能获得更好的性能。基于深度神经网络的语音端点检测方法由于性能显著优于其他方法,成为近期的研究焦点。本文的第二个研究内容,以一种基于深度神经网络的语音端点检测方法为基础,针对其在低信噪比环境中表现不佳的问题和易受短时噪音干扰的问题,分别使用了谱减法语音增强和自适应中值滤波的方法做了改进。另外,本实验提出一种监督学习规则,类比于人类学习先易后难的原则对神经网络进行训练,显著加快了神经网络的收敛速度。在AURORA2数据库上的实验结果表明,相比于基线系统,改进后的方法不仅加速了训练速度,而且还取得了31.12%的相对性能提升。