语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。近二十年来，语音识别在计算机、信息处理、通信与电子系统、自动控制等领域有着越来越广泛的应用。　　目前几乎所有成功的语音识别方法都是基于统计的、概率的或信息理论的方法，其中隐马尔可夫模型(HiddenMarkovModels,HMM)法是最具代表性的。　　HMM训练及学习算法的优劣是语音识别成功与否的关键。本论文进行了HMM统计概率模型的训练及学习算法的研究和学习算法的ASIC设计。　　本文首先介绍了语音识别相关技术的发展现状及研究成果，描述了语音识别的基本系统结构。　　然后讨论了隐马尔可夫模型理论，包括模型结构，训练算法，识别搜索算法等，以及在应用中的一些实际问题，包括初始化技术，防止溢出处理等。研究了隐马尔可夫模型基于最大后验概率准则(MaximumaPosteriori,MAP)的学习方法。　　接着进行了孤立词语音识别系统训练及学习算法的系统实现。对影响识别率较大的一些因素，进行了实验分析。并对重估公式及收敛过程进行了改进，取得了比较好的识别率。　　最后，本文采用Verilog-HDL硬件描述语言，应用流水线技术，实现了HMM模型学习电路的设计。并通过NC-Verilog和SynopsysDC完成其仿真与综合。Verilog-HDL仿真结果与C语言定点结果一致，可以满足精度要求。综合后，MAP模块除SRAM共10528门。