随着人工智能的发展,循环神经网络语言模型(RNNLM)在很多语音、自然语言处理相关领域表现出了很好的性能,从而超过了传统的N元语法模型(Ngram)成为主流的语言模型建模方法。但目前对于藏语来说,研究条件的限制和训练数据的匮乏,给藏语RNNLM的研究造成了诸多困难,使得N-gram语言模型仍然占据主要位置。本研究主要从模型训练技巧和藏语特性探究两个方面出发,来解决藏语RNNLM训练数据匮乏的问题。分别提出了插值语言模型、使用领域自适应的循环神经网络语言模型以及结合藏文部件的循环神经网络语言模型。同时,为了验证提出的方法的有效性,本研究中不仅使用困惑度(perplexity,简写为PPL)来评价语言模型,还搭建了完整的语音识别系统,并使用将语言模型应用于语音识别中后得到的字级别识别结果作为评价指标。实验中包括两个训练数据,大小分别为150万字和2130万字,测试集共有12.6万字。实验结果表明,和传统的3-gram语言模型相比,使用插值语言模型PPL相对降低了16.1%,字错误率(CER)相对降低了6.3%;使用领域自适应的语言模型PPL相对降低了34.2%。和标准的RNN语言模型相比,结合藏语部件的RNN语言模型取得了13.5%的相对PPL降低。该研究解决了训练藏语循环神经网络面临的数据匮乏问题,从而提高了藏语语言模型的性能。