随着对脑功能成像研究的深入,人类对语音运动控制的机理有了一定的共识。基于此,波士顿大学Guenther教授带领的研究小组提出了一个专门用于解释语音生成和获取过程的神经计算模型DIVA(Directions Into Velocities of Articulators)。然而,作为DIVA模型输入的脑电信号(ElectroEncephaloGram,EEG)表现出非平稳性且具有多种多形态瞬时结构波形,在采集过程中极易受到各种噪声的干扰,影响到模型对语音的正常处理。因此,本文在稀疏分解思想的基础上,提出了一种专门适用于脑电信号结构的过完备原子库构建方法来代替原有的Gabor原子库,以达到去噪目的,进而提高DIVA模型的语音学习能力。本文首先简述了DIVA模型的基本原理和各组件间的作用及联系,并探讨了作为模型输入的脑电信号的基本特性,同时对各传统脑电信号去噪方法的原理和优缺点做了专门说明。然后,详细描述了新的稀疏分解原子库的构造步骤,仿真实验表明了该原子库较传统的Gabor原子库具有更优的稀疏性,并且对脑电信号的重构效果更好。接着,在分析了稀疏分解的去噪原理后,应用这种原子库消除了混杂在EEG信号中的噪声,与传统的小波去噪方法相比较,去噪效果明显。最后,针对DIVA模型原有语音--体觉映射算法存在的缺陷,结合自适应组织映射及粒子群优化混合算法,将去噪后的脑电信号输入到DIVA模型中,有效的提高了DIVA模型在学习中文元音发音时的聚类效果及发音精度。本文所做的研究在改善DIVA模型性能的同时,也为今后将其应用于中文的发音奠定了良好的基础,对今后解决语言功能障碍有重要的作用。