音频信息作为人类交流和感知的重要载体,发挥着无可替代的作用,而音频信息在应用中很大程度上依赖于语音端点检测(voice activity detection,VAD)。对音频信号的语音部分进行准确的检测和识别是进一步处理与应用的重要前提与必要步骤。随着新世界互联网的高速发展,传统的浅层机器学习模型在遇到了性能瓶颈。直到2006年,Hinton提出的深度学习方法开启了深度学习在学术界和工业界研究和应用的浪潮,其能够更好描述海量数据复杂特征的能力为解决语音端点检测在实际应用中可能遇到的问题提供了一种新的解决思路。本文将探索深度学习在音频事件检测中的应用。首先针对噪声环境下的语音端点检测问题,详细阐述了深度神经网络、循环神经网络与卷积神经网络的实现算法,并且做出了详细的对比分析。同时我们在实验中发现,以传统的帧级准确率作为评估准则的评测方法很难有效估计面向语音识别问题的VAD性能。因而,我们将帧级评估与段落级评估结合在一起,提出了一种新的评估框架,能够更准确的评估VAD系统的性能。另外,我们探索了基于深度学习的VAD算法的抗噪性,提出一种被称作噪声感知自适应的算法,将当前环境信息加入到输入层,通过深度学习自身的非线性处理能力学习背景环境对语音信号的非线性影响。