随着人工智能技术的不断崛起,语音识别技术作为人机交互中的主要交流手段也逐渐受到人们重视。语音识别技术由于发展时间较短,部分技术不太成熟,导致语音识别系统在特定的环境中容易出现各式各样的问题。为了解决上述问题,本文重点对坦克环境下的语音识别系统展开关键性的研究,讲述了包括语音预处理,端点检测以及特征提取等核心技术的基本原理,并对语音识别系统的部分关键技术提出了改进的思路和方法:提出了一种多窗谱估计谱减法与经验模式分解（Empirical Mode Decomposition,EMD）改进能熵比相结合的新型检测方法。该方法首先是在端点检测前对采样信号运用多窗谱估计谱减法进行降噪处理,接着使用EMD分解的Teager能量与短时谱熵相结合得到一种新型语音参数,即EMD改进的能熵比,最后将改进能熵比的参数采用双门限算法对带噪语音进行端点检测。实验证明,该算法在坦克环境下有着较为理想的检测效果。提出一种基于梅尔频率倒谱系数（MFCC）与伽玛通频率倒谱系数（GFCC）的混合特征参数MGFCC。首先用采样语音信号的Teager能量代替传统语音时域信号,以此来减小语音识别过程中噪声的影响。接着针对MFCC的不足之处,将MFCC、中频梅尔倒谱系数（MIDMFCC）与逆梅尔倒谱系数（IMFCC）的混合特征参数与Fisher准则相结合,得到特征参数MMFCC,该参数可以弥补MFCC在中、高频段提取语音信息效果较差的缺陷。然后运用Fisher准则对GFCC与其一阶动态参数进行特征选取得到混合参数GGFCC,该参数弥补了MFCC不能在复杂环境中提取语音有效特征的缺点。最后,将GGFCC与MMFCC混合得到新的特征参数MGFCC。经过大量试验证明,在坦克环境下,MGFCC相比于传统的MFCC和GFCC都有着更好的鲁棒性和识别效果。本文最后简要阐述了隐马尔科夫（HMM）的定义以及在语音识别系统中实现HMM模型所需要解决的问题。在隐马尔可夫模型的基础上,利用MATLAB软件搭建出一套完整的坦克语音识别系统,展示了语音预处理及训练识别过程中的操作界面,将改进算法与传统算法进行对比实验。实验证明,改进后的算法在坦克环境下能够明显提升语音识别系统的识别率。