2006年Hinton提出的深度学习方法开启了深度学习在学术界和工业界研究和应用的浪潮。深度学习主要是通过模拟生物神经系统对真实世界物体所做出的交互反应,具有强大的自学习能力、非线性映射能力及容错能力。至今从实际应用来看,深度学习在图像、智能语音等领域已经得到广泛的应用;在大词汇连续语音识别系统中,用其取代传统的混合高斯模型为隐马尔科夫模型提供状态后验概率;实验表明与传统的GMM-HMM系统相比,DNN-HMM系统可以相对降低20%甚至30%字错误率。尽管深度神经网络展现出极强的鲁棒性和容错能力,并且在相对无噪声的环境下,取得显著的识别性能提升;然而在实际有噪声环境中应用时,由于模型训练环境与使用环境之间的差异,语音识别系统的性能会严重下降。本文主要从特征空间及模型空间探索在有噪声环境下,基于深度学习的抗噪语音识别系统,提高系统的识别性能。在模型层面,探索一种被称作噪声感知的自适应算法,将当前环境信息加入到输入层,通过深度神经网络自身的非线性处理能力学习环境对语音信号的非线性影响。在特征层面首先将深度神经网络作为一个特征映射和增强的工具,预测干净环境下的声学特征;提出了基于多帧局部动态特征的深度神经网络特征增强算法,并且将噪声感知自适应算法及退火dropout算法应用其中,在Aurora4数据集上与DNN-HMM基线系统相比可以降低绝对2.1%的字错误率;然后将多任务联合优化的结构引入到基于特征增强的语音识别算法中,并提出改进了模型结构,这样用于降噪的特征增强网络与识别网络就合并到一个多任务联合优化的框架下,当应用噪声感知自适应算法的情况下,可以取得绝对2.7%的性能提升。