信息及互联网技术的高速发展,使得海量的多媒体信息在互联网上得以快速的传播并产生大量的音视频文件。如何在海量的音视频文件中找到用户需求的信息成为语音信息检索的主要研究内容。语音识别和信息检索技术的结合为快速检索海量音视频信息提供了一条很好的解决思路。虽然国内外对语音信息检索技术的研究取得了很大进展,但仍存在一些问题需要进一步深入研究。用户查询语句构建时的转义等导致的检索词表不匹配问题是影响检索性能的重要因素;此外,语音识别也会导致关键词(特别是实体名词)的识别错误和缺失并因此引入更多的噪声,使得词表不匹配问题更为突出。本文研究和解决这种词表不匹配以及识别错误引起的关键词丢失等问题对语音信息检索系统性能的影响及改进策略。论文构建了基于语言模型的语音信息检索系统,对语音信息检索出现的上述诸多问题进行了分析和研究并提出了可行的解决方案。论文的主要工作包括以下几方面:1.语言模型为文本信息检索提供了优于其它经典检索模型的一个全新的方案,本文将语音识别与语言模型检索技术相结合构建了一个语音信息检索系统。2.信息检索系统由于其本身固有的查询转义性及词表不匹配问题导致检索性能不敬人意。基于传统的解决思路,论文提出一种新的基于AP(Affinity Propagation)及word2vec相结合的伪相关反馈查询扩展方法。实验分析表明该方法优于最新的基于词向量查询扩展方法和经典语言模型的启发式查询扩展方法,具有很好的稳定性。3.语音识别中关键词的识别错误以及噪声信息的引入,使得检索过程中的词表不匹配问题更为突出,从而导致其检索性能的下降。这种由于未登录语(Out of Vocabulary)导致的关键词识别错误在识别技术上是较难解决的。论文运用基于深度语义计算的文章扩展算法,通过互联网相关的文本信息对这类错误进行校对补偿,有效的解决了这类错误导致的检索性能下降。实验表明该方法可极大地改进检索性能。4.查询扩展可以有效地解决词表不匹配的问题,文章扩展可以有效地解决转录中关键词项的缺失及识别错误问题。通过将这两种方法结合起来,可以从两个方面很好地解决语音信息检索的关键问题,使得语音信息检索的性能得到很好的提升和改进。