神经网络的发展及其在自然语言信息处理任务中的优异表现给多语种信息处理,尤其是维-哈-柯语言的信息处理带来了新的机遇。神经网络高维度以及长距离的建模能力对维-哈-柯和多语言多媒体信息的处理提供新的活力。本文在基于CNN-RNN等神经网络框架下以词汇派生类少数民族语言为例研究并实现了完整的语音识别系统。从黏着性语言的特点出发在优化语音模型和语言模型研究上做了探索。同时在具有相似词法结构的维-哈-柯语言的基础上做了多语言语音及文本预处理软件系统。首先根据派生类词法特点,开发一个维-哈-柯多语言统一用户界面的集成信息处理软件环境,对维-哈-柯语言自然语言处理研究工作,特别派生类语言的文本及语音等信息的预处理等工作带来巨大便利。该系统从语音、词素、词、句子等多个层面上对维吾尔语、哈萨克语和柯尔克孜语等3种派生类黏着性语言进行声学及形态多个层面上分析,将繁杂的归一化、单元切分等工作集成到一个工程内,完成一系列预处理工作。该系统在少量人工语料“词-词素”平行粒度序列上进行统计模型的训练,对维-哈-柯语的词素切分准确率分别达到96%,92%,88%。本系统在语言和功能上可扩展,可嵌入独立的统计模型。基于神经网络的少数民族语言的语音识别系统效率及准确率比传统方法有了很大提高。对于大词汇量语音识别系统,适当选择声学模型和语言模型很重要。我们在较小的维吾尔语语料库(THUYG公开语料库)上进行了深入研究,采用Kaldi开源语音识别平台将深度的CNN-HMM作为声学模型,通过理论分析和对比实验,分别在N-gram和RNN两种语言模型上进行对比实验。传统连续语音识别技术的主流代表是GMM-HMM声学模型和N-gram语言模型,但是其识别率不高。所以本文将会使用循环神经网络语言模型取代N-gram语言模型,与不同深度的CNN-HMM声学模型搭配来提升维-哈-柯语言语音识别识别率。基于神经网络的语音识别系统效率及准确率比传统方法有了很大提高。实验结果表明基于神经网络RNN语言模型的系统有更好的识别效果,提升了维吾尔语语音识别准确率,并将词素错误率降到15.06%。