随着现代网络技术的不断进步,万物互联时代正在逐步走进大众生活,而其中最为关键的技术基础之一就是语音识别。只有实现了高效可靠的语音识别,人与物之间才能够实现无障碍的自由交互。同时随着信息技术的进步,沉积的海量数据也为高效可靠的语音识别技术奠定了坚实基础。利用海量数据支撑,结合人工智能深度学习技术,实现高效可靠的语音识别具有理论意义及现实价值。本文研究内容主要包括三个方面。首先从语音识别的基本原理出发,详细描述了识别系统中的声学特征提取、声学模型、语言模型以及解码器等关键组成部分,并根据现有技术发展指出了当前技术在声学特征提取、声学模型建模以及语言模型建模等方面存在的不足。其次从模型类别、模型基本组成及其关键技术三个方面全面介绍了人工智能深度学习的基本原理。以此为基础,针对语音识别中声学特征提取,分别从声学特征预处理、网络结构包括隐含层层数和节点数以及网络并行训练算法等几个方面作了较深入的探讨;针对声学模型建模问题,深入分析深度神经网络和高斯混合模型在结构和训练方式的异同,阐述了DNN（Deep Neural Network,DNN）用于描述HMM（Hidden Markov Model,HMM）状态输出概率分布的可行性。针对所研究的问题,采用数值计算仿真方法进行了验证。通过HTK语音识别框架,对抽取的863汉语语音库标准语音进行了对比仿真验证。仿真结果表明,在词识别方面,有监督和无监督两种新特征和原始特征提取方法,能够分别提高2.01%和4.15%的正确率。其次通过Kaldi开源语音识别平台利用MATLAB仿真语言,分别实现了GMM-HMM（Gauss of Mixture Model for Hidden Markov Model,GMM-HMM）和DNN-HMM（Deep Neural Network for Hidden Markov Model,DNN-HMM）的声学模型建模仿真验证。仿真验证结果表明,构建的GMM-HMM和DNN-HMM声学模型能够使得语音识别系统的词识别的错误率下降30%。