设计IIR和FIR数字滤波器，并对被噪声污染的语音信号进行滤波，分析滤波后信号的时域和频域特征，回放语音信号。

设计IIR数字滤波器：

IIR数字滤波器是一种递归滤波器，它的传递函数可以表示为：

$H(z) = \frac{\sum_{i=0}^{M}b_i z^{-i}}{1 + \sum_{i=1}^{N}a_i z^{-i}}$

其中，$M$ 是滤波器的阶数，$N$ 是滤波器的反馈阶数，$b_i$ 和 $a_i$ 是滤波器的系数。

我们可以使用 MATLAB 中的 `butter` 函数来设计 IIR 数字滤波器。例如，我们可以设计一个 4 阶低通滤波器，截止频率为 4000 Hz，采样率为 8000 Hz，代码如下：

fs = 8000; % 采样率
fc = 4000; % 截止频率
Wn = fc / (fs/2); % 归一化截止频率
[b, a] = butter(4, Wn, 'low'); % 4 阶低通滤波器

设计FIR数字滤波器：

FIR数字滤波器是一种非递归滤波器，它的传递函数可以表示为：

$H(z) = \sum_{i=0}^{N}h_i z^{-i}$

其中，$N$ 是滤波器的阶数，$h_i$ 是滤波器的系数。

我们可以使用 MATLAB 中的 `fir1` 函数来设计 FIR 数字滤波器。例如，我们可以设计一个 35 阶低通滤波器，截止频率为 4000 Hz，采样率为 8000 Hz，代码如下：

fs = 8000; % 采样率
fc = 4000; % 截止频率
Wn = fc / (fs/2); % 归一化截止频率
b = fir1(35, Wn, 'low'); % 35 阶低通滤波器

对被噪声污染的语音信号进行滤波：

假设我们有一个被噪声污染的语音信号，我们可以使用 `filter` 函数来对其进行滤波。例如，我们可以使用上面设计的 IIR 数字滤波器对语音信号进行滤波，代码如下：

load('noisy_audio.mat'); % 加载被噪声污染的语音信号
filtered_audio = filter(b, a, noisy_audio); % IIR数字滤波器滤波

分析滤波后信号的时域和频域特征：

我们可以使用 `plot` 函数来绘制滤波前后信号的时域和频域图像。例如，我们可以绘制滤波前后语音信号的波形图和功率谱密度图，代码如下：

% 绘制滤波前后语音信号的波形图
subplot(2, 1, 1);
plot(noisy_audio);
title('Noisy Audio');
xlabel('Sample');
ylabel('Amplitude');
subplot(2, 1, 2);
plot(filtered_audio);
title('Filtered Audio');
xlabel('Sample');
ylabel('Amplitude');

% 计算滤波前后语音信号的功率谱密度
nfft = 1024; % FFT长度
[P_noisy, f_noisy] = pwelch(noisy_audio, [], [], nfft, fs);
[P_filtered, f_filtered] = pwelch(filtered_audio, [], [], nfft, fs);

% 绘制滤波前后语音信号的功率谱密度图
figure;
semilogy(f_noisy, P_noisy);
hold on;
semilogy(f_filtered, P_filtered);
hold off;
grid on;
title('Power Spectral Density');
xlabel('Frequency (Hz)');
ylabel('Power/Frequency (dB/Hz)');
legend('Noisy Audio', 'Filtered Audio');

回放语音信号：

我们可以使用 `sound` 函数来回放滤波前后的语音信号。例如，我们可以回放滤波后的语音信号，代码如下：

sound(filtered_audio, fs);