语音编码的参数矢量量化一直是研究热点。当前ITU-T和3GPP等国际标准组织制定的语音编码标准中采用了以分裂矢量量化为基础的算法,这些算法有训练简单、计算复杂度低等优点,但同时也存在比特率高的缺点。近十年来,国外的研究重点逐渐转向以高斯混合模型为基础的参数矢量量化算法。本文的工作即在条件高斯混合模型的基础上展开。论文回顾了国内外矢量量化算法的研究历史和现状,介绍了待量化参数——ISF参数的意义及特点。详述了传统码书训练算法LBG的特性以及训练码书的失真测度。用条件高斯混合模型为训练数据建模,有效地利用了训练参数间的帧间相关性,进而利用该相关性训练出更有针对性的码书。在该种方法的基础上,提出了完整的宽带ISF参数矢量量化算法SFSVQ和SSSVQ,二者分别利用了ISF参数间(16维)的帧间相关性和ISF子帧(3维或4维)的帧间相关性。最后,从谱失真、计算复杂度、存储复杂度等方面分析了SFSVQ和SSSVQ算法的性能。