Tesis ini membahas estimasi trispektrum yang digunakan untuk pengembangan sistem pengenalan suara. Estimasi trispektrum dipakai untuk mendapat kan karakteristik suara berdasarkan analisis spektrum orde 3 (quadruple correlation) dari magnitudo dan fase sinyal suara. Dalam proses ekstraksi ciri dari data trispektrum digunakan teknik optimasi kuantisasi skalar, yaitu dengan mengelompokkan data magnitudo dan fase berdasarkan pembagian ruang estimasi dengan sejumlah pola berdasarkan ciri data trispektrum. Data magnitudo dan fase pewakil dari masing-masing kelompok (Kluster menjadi masukan sel syaraf di lapis masukan dari JST PB. Spesifikasi JST PB sebagai pengklasifikasi suara adalah : jumlah sel syaraf (neuron) di lapis masukan sebanyak 18 di lapis tersembunyi sebanyak 5, dan di lapis keluaran sebanyak 10. Dari beberapa hasil yang diperoleh terlihat bahwa trispektrum mempunyai daya pisah (separabilitas pola) yang cukup baik, tetapi penggunaan estimasi trispektrum ini dihadapkan pada masalah optimasi kuantisasi dan optimasi jaringan pengklasifikasian yang cukup kompleks. Hal ini disebabkan oleh bertambahnya dimensi data trispektrum, dari 1-D (2-D) pada power spektrum (bispektrum) menjadi 3-D, yang berarti terjadi "the curse of dimensionality". Sistem pengenal suara ini diimplementasikan dengan bahasa C pada komputer Sun SPARC station 4, dengan sistem operasi UNIX (Solaris) dan memory 32 MB. Jumlah data suara yang akan dikenali berasal dari 10 orang yang berlainan, masing-masing sebanyak 20 sampel. Proses pembelajarannya menggunakan algoritma propagasi balik jack-knife-training terhadap sinyal tanpa noise, sedangkan proses pengenalannya menggunakan sinyal dengan SNR = 8, SNR=20, SNR=10, dan SNR=0. Hasil eksperimen menunjukkan bahwa penggunaan estimasi trispektrum pada sistem pengenal suara tahan terhadap noise Gaussian aditip hingga tingkat SNR=0.