共振峰是语音学特征中重要的组成部分,在语音信号处理领域有着广泛的应用。因此,可靠的共振峰轨迹跟踪算法将是进行各种语音研究的基础。大量的声学和发音学研究表明,语音信号的产生过程存在非线性,背景噪声也通常是非高斯的。因此,共振峰参数的轨迹跟踪问题可以看成为一个非线性非高斯的状态估计问题。贝叶斯滤波理论为动态的状态估计提供了解决问题的一般框架。粒子滤波算法是一种通过蒙特卡罗仿真方法来完成一个贝叶斯递推过程的滤波算法,具有不受线性、高斯条件限制的优点。本文利用粒子滤波算法来解决语音共振峰的轨迹跟踪问题。首先,采用含有状态空间方程的隐藏动态模型来描述语音信号的动态特征,并构建一个基于粒子滤波的共振峰轨迹跟踪框架。其中,将语音信号的共振峰参数作为模型的隐藏状态变量,将共振峰参数至线性预测倒谱系数的非线性映射作为模型的观测方程。然后,采用基本粒子滤波来跟踪共振峰轨迹。通过理论和实验结果的分析,指出基本粒子滤波将先验分布作为建议分布的容易导致粒子退化的不足,针对该问题,提出采用无迹粒子滤波进行共振峰轨迹跟踪的改进方法。然而,基于无迹粒子滤波的方法在连续语音的共振峰轨迹跟踪中表现却不理想。对此,本文进一步构造辅助变量粒子滤波算法用于共振峰轨迹跟踪。基于辅助变量粒子滤波的共振峰轨迹跟踪方法在语音模型的状态方程中嵌入一个动态标示共振峰频率分布信息的辅助变量,为粒子的抽取提供目标导向,使得抽取的粒子集能够较好地逼近真实的状态分布。实验结果表明,基于辅助变量粒子滤波的共振峰轨迹跟踪方法只需少量粒子即可实现共振峰轨迹的正确跟踪。文章最后将共振峰参数和共振峰轨迹分别应用于声音转换和汉语耳语音的识别中。在声音转换系统中,选择共振峰参数和基音频率作为转换的特征参数,采用Gaussian混合模型推导转换函数。采用主观和客观评价方法对转换后的语音进行评价显示,转换后的语音更加接近于目标语音,可懂度和自然度都较好。采用Gaussian混合模型来建立汉语耳语音的识别系统,选择线性预测倒谱系数、Mel频率倒谱系数以及修正Mel频率倒谱系数作为特征参数进行第一级识别。在第一级识别的基础上,采用共振峰轨迹作为判决规则进行第二级识别。实验结果表明,基于共振峰轨迹的二级识别能够有效提高汉语耳语音的识别率。