近年来，随着语音识别技术不断地发展，语音识别系统已开始从PC机逐步走向嵌入式平台。然而当嵌入式语音识别系统应用到真实的操作环境中时，由于训练环境和识别环境的不匹配，导致其识别性能大大的下降。本文的重点是针对这些问题，对语音识别系统噪声鲁棒性算法展开研究。本研究主要内容包括：　　 ⑴构建了一个非特定人语音识别的仿真系统，系统采用一个简化的连续隐马尔科夫模型，即非线性分段与高斯混合模型(NLP+GMM)。该系统将用于噪声鲁棒算法的研究与测试。随后以该系统为基础，进行了谱减法(SS)和维纳滤波(WF)的语音增强实验。实验结果表明，在低信噪比情况下，两种语音增强算法都使系统对噪声的鲁棒性得到提升。　　 ⑵提出了求取倒谱均值方差归一(CMVN)参数的递推算法。该递推算法能在线性时间复杂度内计算出均值和方差，使得CMVN参数的平均计算速度得到显著提升。　　 ⑶在CMVN算法基础上，提出了基于统计阈值的CMVN，即STCMVN算法。STCMVN算法不仅能滤除特征空间的高频噪声，而且进一步减小训练环境和识别环境的不匹配。实验表明，在信噪比较低情况下，STCMVN都要优于MFCC、CMS和CMVN; CMVN与MFCC相比，相对提升率最高达到24.03％，而STCMVN与CMVN相比，相对提升率最高达到3.03％。　　 ⑷提出了语音增强与特征变换的两种融合算法。算法一:只将增强后的语音应用于VAD，而特征提取使用原始带噪语音;算法二:将增强后的语音既用于VAD又用于特征提取。实验表明，两种融合算法的识别结果整体上都要好于文中未融合噪声鲁棒算法的识别结果。就这两种融合算法相比较而言，在较低信噪比(SNR≤5dB)情况下，算法一的识别率高于算法二;在较高信噪比(SNR≥10dB)时，算法二的识别率高于算法一。