随着网络技术的飞速发展，基于Internet的多媒体通信日益普及，VOIP，即IP网络电话，作为一种以IP分组交换网络为传输平台，实现计算机之间、计算机与普通电话之间，甚至普通电话之间的实时语音视频通信，并提供相应的增值服务，以降低业务成本的技术，已成为全球范围内发展最快，普及最快的热点技术之一。 本文总结了作者自二零零四年六月参与中国科学院微电子研究所的一个VOIP终端的开发项目的研究成果。该项目的目标是利用SIP协议、MPEG-2协议、G.726协议、RTP协议等，以控制器和中科院微电子研究所集成电路与SOC实验室自行设计的一款高性能、低功耗16位定点嵌入式数字信号处理器：CoStar为硬件实现平台建立一个支持局域网内端到端的多媒体通信的VOIP终端系统。该系统目前能够按照SIP会话响应处理流程接收特定格式的音频和视频并播放。 本论文共分六章： 第一章简要介绍课题研究背景、意义和特色，并对VOIP的发展历史、现状与前景以及整个VOIP协议栈体系结构做了详细介绍。 第二章详细介绍VOIP信令协议，重点介绍RFC3261：会话初始化协议(SIP)的内容，并将其与另一个信令协议H.323进行对比，阐明我们选用SIP协议的理由。 第三章分别对当前主流的音频和视频标准作了介绍并进行对比，详细介绍了音视频编解码协议：G.723和MPEG-2的编解码的算法，对其中采用的算法作了简要分析。 第四章主要介绍了CoStar DSP的体系结构，分别对它的DSP核中的单元以及I/O处理器中的端口作了详细的说明。 第五章具体介绍了整个VOIP终端的实现，阐述了整个系统的组成框架。并对其中我重点参与的三个模块：SIP信令协议模块、G.726编解码模块和MPEG-2解码模块作了详细说明，对它们的软硬件划分、内部实现的结构和算法流程及使用的一些策略进行了重点讲述，最后介绍了系统的