随着计算机技术的飞速发展,目前语音识别技术的研究已有了实质性的突破。　　本文在已有的研究成果上,对以SVM为声学模型的连续语音识别系统进行了相关的改进:针对连续语音识别单元对系统性能有着直接影响的问题,选取了音节作为识别单元并通过动态循环双门限起止点前后向搜索方法基本实现了每个独立音节能够被完整的切分出来;同时为了使SVM模型获得较好的训练数据,在SVM模型训练前利用VQ对高维语音参数进行聚类即码本设计,并在VQ中引入SAHKC方法对语音信号的MFCC参数聚类,比传统的K-means方法的聚类效果更优越。　　由于实际环境中存在的各种噪声会导致训练环境和识别环境不匹配,使得大多在实验室中具有较高识别率的语音识别系统在噪声环境下的性能急剧下降。常规的消噪技术虽然对噪声的抑制有一定的作用,但是存在一定的局限性。针对此种情况,本文在语音识别系统的前端采用了盲分离技术(BSS)与卡尔曼滤波器相结合的方法对含噪语音进行消噪处理,使噪声与目标语音信号自动分离,以得到较为纯净的目标语音信号。　　最后在MATLAB平台上进行仿真实验分析,从三个方面即码本设计及容量、盲分离和卡尔曼滤波器构建的消噪方法以及SVM核函数对VQ-SVM语音识别系统进行了相关实验,并将改进的VQ-SVM模型与原有的SVM模型在特定人和非特定人测试集下进行实验对比分析,验证了改进的码本设计算法和抗噪方法对系统性能有一定的提高。