以语音作为人机交互手段所带来的巨大便利和深远影响吸引着人们不断探索计算机语音合成和语音识别技术,对于汉语来说,鼠标键盘的人机方式有先天的劣势,所以汉语的语音识别更具有现实意义。本文提出了一个完整的汉语识别系统方案,在介绍系统不同模块的原理同时,分析了典型做法的性能,并以此提出了一系列的改进方法。文章重点研究了以下三个领域:端点检测算法对孤立词和连接词的识别性能有很大影响,本文在经典双门限端点检测技术的基础上,采用设定上下界的门限值自适应方法,并针对汉语语音,提出了基于“字”的端点检测技术,避免了语音孤立词命令因不恰当的端点检测而造成的缺字或者前后有杂音时带来的问题。实际使用中造成孤立词识别性能不良的主要原因之一是词表外(OOV)音频的存在:使用者或者环境意外发出的声音可能误认为是语音命令而识别。本文比较了多种OOV拒识算法,最后采用了时间归一化,考虑了模板自匹配性能的神经网络方法。对于非特定人识别的另一问题是非特定人模板库的建立。本文介绍了常用的模板库建立方式,并提出了一种优化模板库的方法,在不影响非特定人识别性能的前提下,大幅压缩了模板库的容量。本文最后介绍了使用剑桥大学HTK开发工具建立的孤立词识别应用:书店导购演示系统,和关键词检出应用:声控电子宠物。这两个系统使用前几章中的改进技术,调用Window的API函数从麦克风采集语音信号,使用Mel刻度倒谱系数MFCC为语音特征,模板匹配采用HTK提供的HMM模型,最后对识别结果做OOV判决,如果判决认为识别结果不是合法词汇,则拒绝响应。模板库的建立采用自行录制的孤立词语音库,使用模板库优化方法确定最终存放于模板库的模板。