从语音识别技术诞生以来,识别率就是评价语音识别系统的一个重要指标,研究人员一直致力于减少语音识别系统的错误率。近年来,随着语音识别技术的实用化,识别系统的速度也成为了和识别率一样重要的评价系统的重要指标,甚至为了满足系统的实用化,往往会以牺牲一定的识别率为代价。我们都知道,语音识别系统的精度和速度是一对互相矛盾的参数,那么如何能在尽量不影响识别率的前提下提高速度指标是本文研究的一个重点。在这样的一个目标下,本文搭建了两个平台,分别是PDA上的非特定人孤立词识别系统以及桌面上非特定人特定任务的连续语音识别系统。其中,PDA上的孤立词识别系统其词表是动态可变,可以由使用者进行编辑的。而桌面连续语音识别系统将来可以移植到嵌入式设备中,例如PDA或DSP。随后,在这两个系统上进行了一些研究及实验测试。本文搭建的孤立词系统采用了连续HMM模以,系统根据词表自动拼接声韵母模型为整词模型,并且构建一个线性搜索网络,识别器在线性搜索网络中进行逐条匹配的深度优先算法得到识别结果。另一方面,连续语音识别系统采用了半连续HMM模型作为声学模型,语言模型采用有限状态语法的确定有限状态自动机(DFA)来进行语法限制。系统初始化时,将声学模型和语言模型耦合并构建成为一棵前缀树搜索网络,识别器采用宽度优先的帧同步维特比译码方法。其次,本文首先对两个系统进行了一个基础的优化措施。针对PDA系统识别速度慢的缺点对系统进行了浮定点转换的方法,大大提高了系统的速度性能。针对连续语音识别系统即将移植到DSP上这一目的,对系统进行了离线初始化的优化手段,将系统的初始化构建搜索空间部分与识别器分离出来,使得将来程序移植到嵌入式设备后直接读取搜索空间数据,而省略了网络构建这样一个耗费资源的模块。随后,本文针对识别器搜索部分进行了优化算法的研究。分别探讨了搜索网络构建、状态层剪枝以及两遍搜索的问题。文章首先比较了线性搜索网络和树形搜索网络,然后在实验平台上进行了剪枝策略的实验,最后在连续语音识别系统中加入了深度优先搜索算法异步堆栈解码算法作为第二遍搜索,大大提高了系统的准确性。最后,本文针对识别器状态输出概率计算部分进行了优化算法的研究。首先介绍了高斯分量层次的三种剪枝策略,分别是最近邻估计法、BBI算法以及高斯选择算法。其次,针对维数层次提出了矢量阈值法、标量阈值法以及启发式阈值法三种剪枝策略,并在实验平台上进行了测试。经过一系列的优化措施,使得PDA上系统在速度性能上提高了78.9个百分点,而识别率仅下降了两个百分点;桌面上系统识别速度提高了55.5个百分点,而识别率仅有小幅度降低。