近年来,伴随着科技的快速发展,人工智能领域已成为当下最热门的研究领域。交互式语音系统作为最贴切人们生活的研究内容,全球各大顶尖科技公司都为其投入巨资进行研究开发。这一研发过程中首先要解决的就是语音降噪问题。小波包变换作为小波变换的继承和发展,具有多尺度分辨率、选基灵活、时域和频域局部化特性、去相关性等特点,对于信号,通过多层分解,使得噪声在不同的分层上可以有良好的区分,正被广泛的应用于语音信号降噪的相关研究。本学位论文通过对目前小波包变换在语音降噪领域的应用进行调研,针对调研中发现的问题,从四个方面考虑,设计了新的预处理模型和阈值函数模型,并通过仿真对其进行了有效性和实用性测试,主要内容有:分析了小波包分解系数的频率顺序分布特点,按照频率顺序对分解系数进行了重新排序,并依据信号特点进行了分组,解决了传统降噪过程中对于高、低频信号处理效果不佳的问题;以小波包分解系数能量谱为基础,设计了一种系数预处理模型,当面对原始纯净语音信号被噪声信号严重污染时,可以预先减少一部分噪音信号,最大程度的保存最初原始信号;针对各个阈值准则的特点和适用环境,设计了一种混合阈值处理方法,以频率顺序为基础,根据被分析信号的特点,对小波包分解系数进行适当的分组,不同的分组内选用各自最佳的阈值准则,不仅充分发挥了各个阈值准则自身的优点,同时也尽可能的避免了过阈值处理;面对硬阈值函数存在阶跃性、软阈值函数存在恒定误差的问题,设计了一种基于Hermite插值的新阈值函数模型,该函数模型以硬阈值函数为基础,不仅保证了硬阈值函数优点,还克服了阶跃性问题,使得函数在节点处的连续可导,通过对相关参数的设置,还能够实现两种经典函数之间的相互转换。选取纯净简短语音序列和长语音序列,通过大量的仿真实验,结果表明:在一般噪声环境中,当噪声信号为平稳信号时,新的降噪方法能够充分发挥其特点,不仅可以有效的滤除噪声信号,降低噪声信号对原始纯净语音信号的污染,还尽可能的保留了原始信号,减小了信号失真,增强了的信号的信噪比,提升了纯净语音信号的辨别率,达到了理想的降噪效果;当噪声信号为非平稳噪声信号时,新的降噪方法依然优势明显,可以有效的降低噪声信号对原始语音信号的干扰,最大限度的恢复原始纯净信号波形。实验充分验证了新的降噪方法在实际应用中的有效性、优越性和实用性。