随着计算技术的飞速发展,计算机成为人们生活、工作和学习中不可或缺的日常工具之一,人们渴望着与计算机进行交互,并且期盼着与计算机的交互能更加的友好、更加自然。人们的这一理想促使了研究者对语音识别的研究热潮。目前,已经有各种语音识别技术被提出,并在语音识别领域取得了很大的成就。但是在实际的应用中,还是存在诸多问题,尤其是在连续语音的识别上还存在着很多的难点和不足之处。因此,要想实现更好、更有实用意义的连续语音识别,研究者仍需要对语音识别领域的相关理论技术、算法思想等继续展开研究,进而实现人们的理想。本论文首先对语音识别进行概述,介绍了语音识别的国内外发展现状,并对其分类及现存的难点进行了分析与研究；接着对语音信号的声学基础和前端分析处理做了详细介绍,阐述了如何对采集到的语音信号进行预处理、端点检测和特征参数提取等；然后研究了语音识别领域三种较为重要的识别算法：动态时间规整(Dynamic Time Warping, DTW)、隐马尔科夫模型(Hidden Markov Model, HMM)以及人工神经网络(Artificial Neural Network, ANN),分析了它们的原理、特点及实现过程；再然后在分析条件随机场(Conditional Random Fields, CRF)模型和支持向量机(Support Vector Machine,SVM)这两种模型的基础上,结合二者的优势,提出了基于CRF和SVM相结合的连续语音识别方法,介绍了系统的整体框架,并通过具体的实验分析验证了本方法在语音识别系统中的识别效果,实验证明本算法提高了连续语音识别的正确率；最后对本论文进行了总结与展望,并提出了未来工作需要进一步改进和提升的地方。