语音识别,作为一门综合学科,涉及到诸多领域,而其在工业、军事、交通、医学、民用诸方面,特别是计算机、信息处理、通信与电力系统、自动控制等领域中有着广泛的应用。近年来,语音识别技术已成为研究领域的一大热点。本文针对语音识别系统在低信噪比环境下识别率和鲁棒性不高的问题,做了深入研究。本文首先分析了语音信号的时域、频域特性;研究了语音信号预处理阶段的预加重、分帧加窗和端点检测;系统地分析和研究了反映语音倒谱特征的线性预测倒谱系数(LPCC)和美尔频率倒谱系数(MFCC)的提取方法。然后研究了用于语音识别的两种方法:隐马尔可夫模型(HMM)和人工神经网络(ANN)。HMM具有较强的时序建模能力,是一种基于时序累积概率的动态信息处理方法。但它存在需要语音信号的先验知识,分类决策能力弱等缺点。而人工神经网络以其自适应、并行性、非线性、鲁棒性和学习特性被广泛应用于语音识别领域。最后,本文将HMM和ANN相结合,充分利用HMM强时序建模能力和ANN分类决策能力,提出了一种将连续概率密度隐马尔可夫模型(CDHMM)与自组织特征映射神经网络(SOFMNN)相结合而构成的新型CDHMM/SOFMNN语音识别模型。给出基于CDHMM和SOFMNN混合模型的语音识别及仿真实验,证明在低信噪比条件下本文提出的混合模型比传统的CDHMM模型能明显提高识别率,而且鲁棒性显著提高。