随着网络技术和媒体应用的迅速发展,网络中的影音资源所占的比重越来越大。传统的文本检索已不能满足人们需要,视频检索由于数据量大而得不到应用,语音检索就显示出重要的研究价值。语音检索的核心问题是语音关键词的提取,语音关键词提取衍生于语音识别。语音识别也被称为自动语音识别(Automatic Speech Recognition, ASR),是将人的说话语音内容转化为计算机能够处理的形式。语音关键词提取是建立在语音识别的基础之上,对语音识别的结果进行进一步分析,从中提取能够反映语音内容或主题的代表性词语。语音关键词提取是语音检索的核心技术之一,具有重要的意义和研究价值,成为近几年的研究热点。本文主要研究的是在非限定说话人和非特定任务的情况下进行的,通过基于大词表(Large Vocabulary)的语音识别技术,利用词混淆网络(Word Confusion Network, WCN)并结合文本检索的相关技术来提取语音文件中关键词。本文首先阐述了语音关键词提取的意义及其研究现状。然后介绍了语音关键词提取的相关技术,如语音的时域和频域特征、声学模型和语言学模型等。接着从语音分割、语音识别、混淆网络的生成、关键词的提取和置信度确认等几个方面分别进行了详细论述。在语音分割模块,本文对传统的特征值进行改进,得到区分度更好的特征值,如将短时能量改进为低短时能量比率。利用改进之后的特征值进行语音分割,提取出语音信号中的对话部分。在关键词提取模块,系统对语音识别模块得到的网格做进一步处理得到词混淆网络,利用词混淆网络进行关键词的搜索,最后对搜索结果进行置信度确认,得到最终的关键词输出。实验结果表明,基于改进特征值分割后的语音识别的结果比未分割的有所提高,系统的关键词检测率也达到73%左右。