人工智能时代的到来,使人机通信的方式也逐渐趋于多元化。人们期望机器能识别和理解更多的人类语言。近些年来,随着语音技术的飞速发展,语音作为人机通信的关键方式之一,语音识别技术在许多信息科技领域得到了较为广泛的应用。因此,对该关键技术的研究不容忽视。本文对隐马尔可夫(HMM)与改进的神经网络语音识别做了深入的研究。本文的主要工作概括如下:1.对语音中涉及到的预处理作了分析与研究。起初,将录制的模拟语音信号进行相关的数字化处理,以获取其相应的数字信号。之后对该信号进行预加重操作,便于减轻噪声产生的外在影响,使语音中包含的高频成分得以强化,为后续语音信号的相关参数研究奠定基础。接着,对语音信号进行加窗处理,然后以帧为基本单元,将每段语音信号划分成若干段小语音段的形式,得到具有短时平稳性的语音段。最后,对语音信号进行端点检测,判断语音信号的起点和终点。2.分析与研究了语音信号的特征提取算法,将能够表征语音特征的特征参数序列提取出来,有助于提高HMM对语音信号的评估与训练,有益于神经网络的分类与训练学习。本文在已有语音特征提取算法的基础上,着重研究了利用梅尔倒谱系数来获取特征参数的算法,并设计了该算法的具体实现流程,为语音信号的特征提取奠定了基础。3.对语音识别的整体架构设计流程和识别算法的设计进行了介绍,介绍了常用的识别算法。鉴于对语音识别总体特性的分析,提出了一种将隐马尔可夫(HMM)与改进的神经网络结合起来的识别方法,运用拟牛顿算法在短时间内快速收敛、网络迭代次数较少的优点,对BP网络的相关参数进行修整与优化,以此来缩减其网络的迭代步数,提升网络的总体性能。经过仿真测试,发现这种算法比传统的算法在语音识别方面具有一定的优势,改善了语音识别率。4.整个语音识别过程是在MATLAB7.0平台上仿真实现的,分析了在同一信噪比下和不同信噪下语音识别率的特点,研究了信噪比与样本数量对语音识别产生的影响,并与传统的语音识别算法的整体识别效果作对比分析。仿真结果表明:基于隐马尔可夫(HMM)与改进的神经网络语音识别,减少了模型训练的迭代次数,节省了模型的识别时间,提高了识别率,增强了语音识别的鲁棒性,在语音识别方面具有一定的可行性。