近年来,语音识别技术在无噪环境下取得了突破性的进展,但在带噪环境下识别性能仍然存在下降的问题。因此,鲁棒语音识别研究受广泛的关注,如鲁棒语音特征提取、语音增强和鲁棒性声学模型等。鲁棒性声学模型是提高语音识别系统抗干扰能力的关键技术。然而,鲁棒性声学模型在实际应用中仍然存在很多有待克服的技术问题,譬如对未知噪干扰的泛化能力和对复杂应用场景的建模方案。为了解决这些问题,本课题从端到端的声学模型和深度神经网络出发,针对加性噪声的鲁棒模型进行研究,并使用了音素错误率指标来刻画模型性能。本文的创新点总结如下:1)本文提出一种基于参数共享的深度相似网络。具体来讲,首先,通过结合卷积神经网络与联结主义时间分类算法（Connectionist Temporal Classification,CTC）,在干净语料中建立了端到端的声学模型,获得接近于基线模型性能。然后,受师生训练与多条件训练的启发,提出一种参数共享的训练方法,提高了模型的鲁棒性。最后,利用参数共享和CTC算法特点,提出一种深度相似网络,使得带噪样本与干净样本获得相似的概率矩阵输出,进而获得更鲁棒的识别效果。2)结合深度相似网络,本文提出一种基于前端分类的端到端鲁棒性声学模型。前端分类包括特征设计、特征提取、分类模型。针对特征设计,提出一种基于长时能量的噪声特征工程,并在2018DCASE开发集中验证特征的有效性,分类准确率优于基线模型约14%。针对特征提取和分类模型,提出一种分解式的变分自编码网络,从带噪语音中提取噪声特征,搭建前馈神经网络进行分类。3)为了减少后端训练多个声学模型的时间开销和计算资源,提出一种具有低秩特性的迁移学习方法。该方法将神经网络压缩的思想与迁移学习相结合,在源域模型的基础上引入低秩网络学习目标域的任务,使得后端声学模型复用前端的训练参数,从而节省了模型训练的时间开销和计算资源。