近年来，随着信息技术的高速发展，传统的奈奎斯特采样已经不能满足人们日益增长的信息量需求，而压缩感知理论因其采样速率远低于奈奎斯特采样，且采样方法简单，因而备受关注，一经提出就引起了学术界的巨大反响。本文将语音信号处理技术与压缩感知技术相结合，研究基于非重构的压缩感知语音特性分析技术，即在不重构原始语音信号的情况下，分析和研究语音压缩采样后观测序列的新特性，从而提出直接从观测序列提取语音特征参数的新方法，例如共振峰和基音周期，并利用观测采样序列进行语音端点检测等，这些都是未来基于压缩感知理论的语音信号处理技术的理论基础，也是其走向实际应用必不可少的前提。首先，本文研究了基于观测序列高阶累积量的语音端点检测方法，本文详细阐述了高阶累积量理论，并分析其特性，即对于高斯过程，其三阶及以上的高阶累积量均为零值。然后根据压缩感知理论，分析了高斯随机观测矩阵下的语音观测序列得出该观测序列是非高斯的，而噪声观测序列是高斯的，据此将高阶累积量理论应用到基于观测序列的语音端点检测中。针对清音帧与噪声帧难以区分这一问题，本文使用全带低带能量比作为第二个参数，将高阶累积量与全带低带能量比结合起来，更加准确地检测语音信号的端点。本文将这一方法与基于倒谱距离的端点检测法相比较，本文方法的鲁棒性更好。与传统奈奎斯特采样下的同类方法比较，本文方法计算量较小。其次，论文分析语音压缩感知观测序列的波形特点，从数学的角度证明浊音经行阶梯矩阵投影后观测序列呈现新的周期性的特点，并给出了观测序列波形的周期与原语音信号周期的关系。然后对观测序列进一步进行小波变换，由于基音周期信息是低频信息，因此论文对低频小波系数采用自相关方法进行基音周期检测，该方法与传统方法相比，大大减小了计算量。但由于观测序列数据量远小于原始信号，因此基音周期的提取精度有所下降，这是需要进一步研究的重点问题。针对原始语音含噪的情况，本文先对观测序列进行小波阈值去噪，然后再提取基音周期，实验表明，经小波阈值去噪后，基音周期检测的准确度明显提高，减小了噪声对检测准确度的影响。第三，论文推导了在非重构的情况下进行语音功率谱估计的方法，通过估计原始语音的自相关序列来求解功率谱，论文通过严谨的数学证明，使用观测序列的自相关矩阵和观测矩阵行向量间的自相关与互相关作为估计原始信号自相关的数据，成功估计出原始信号的自相关序列，进而估计出原始信号的功率谱。由于该方法没有使用压缩感知迭代重构算法，对于稀疏性不理想的清音帧信号本文算法的功率谱估计效果好于使用重构算法的功率谱估计方法。论文还将估计所得功率谱用于求解语音信号的共振峰，并用实验证明了其有效性。