移动电话和网络电话由于其普遍性和实用性，已成为现代通信中不可或缺的工具，人们对语音质量的要求也越来越高。由于背景噪声和传输距离使得语音质量降低的现象很严重，须采取相关措施对其进行改善。语音活动检测（Voice Activity Detection，简称VAD）方法主要用于检测出一段谈话中语音部分的端点，其结果可用于语音的压缩编码，语音增强，语音识别，语音合成等方面。 早期的语音活动检测方法是基于启发式或模糊规则实现的，但是这些方法使得优化相关参数和取得一致结果变得相当困难。近年来有一些基于Ephraim和Malah提出的统计模型的VAD方法，取得了不错的成果，算语音和噪声功率谱时采用Welch法或是周期图方法，但用周期图法算功率谱时得到的方差较大，信号的一致性差，而Welch方法只是比较适合用来算语音的能量谱密度。 本文在基于统计模型的基础上，提出用最小统计法算噪声能量谱密度的平均。最小统计法是基于这样两个事实实现的：1．语音和干扰噪声通常是统计独立的；2．一段含噪语音信号的能量会逐渐降低到干扰噪声的能量。因此可以算出一段含噪语音的最小能量谱密度，用来作为噪声能量谱密度的平均。这种方法更适合于用来算噪声谱密度的平均。另外，本文提出了用SNR自适应Hangover法减少VAD算法判决结果的误判率。以往的HMM Hangover方法过于复杂，基于VAD的Hangover法比较简单，但是由于它是基于最后判决结果的Hangover，其精确度受到影响，特别是在低信噪比条件下，效果很差。而基于SNR自适应的Hangover法从语音和噪声信噪比开始把关，减少VAD判决结果的误判率，其结果明显优于基于VAD的Hangover法。 本文的创新点是：用适合噪声谱估计的最小统计法算噪声能量谱密度的平均，精确门限值，另外提出了一种基于SNR自适应的Hangover算法，既易于实现，又在信噪比较低的情况下比现有的Hangover算法更加精确。