随着人们生活方式越来越现代化,我们的生活中出现了越来越多的科技感产品,包括语音控制智能产品,相较于传统的触摸式控制它彻底解放了人们的双手。但是目前大多数基于语音命令词识别的研究都把场景局限在安静的环境中,这忽视了现实生活场景中各种各样的环境噪声,因此现有的优秀算法难以在噪声环境下仍然保持良好的性能。同时,语音命令词识别模型一般部署于各种嵌入式设备,这意味着低资源、小内存、少计算的要求。因此,为了保证语音关键词识别模型在噪声环境下的鲁棒性,同时满足低功耗的性质,本文的工作如下:1.为了解决缺乏噪声数据集的问题,本文使用了几种来自现实生活场景的噪声以不同的信噪比合成含噪声的数据集,包括用于语音增强模型的VCTK数据集和用于语音关键词识别的谷歌命令词数据集。训练过程中为了对数据进行降噪,分别使用基于SEWUNet网络的语音增强模型和基于频谱子带混合遮掩和频谱归一化等数据增强方法提升识别效果。2.设计语音增强模型和关键词识别模型的联合训练模型。语音增强模型作为关键词识别模型的前端模型,使用改进的基于信噪比的损失函数以及两阶段训练方法提升降噪效果。实验基于不同主干网络的语音关键词识别模型进行对比,结果证明改进的语音增强模型有效的提升了语音质量,联合训练方法比其他不经过语音增强的模型在噪声环境下最高提升了6.7%的关键词识别率。3.针对语音增强模型过大的问题,提出噪声鲁棒的轻量级语音关键词识别模型。在数据预处理阶段使用基于频率的数据增强操作而不是单独的语音增强模型;使用基于变换卷积的主干网络,结合二维频率-时间卷积和一维时间卷积,节约参数量和计算量的同时保留特征提取能力;提出全卷积的相对注意力模块,采用全卷积的结构,以相对比例的方式和主干网络进行融合,使模型学习到重点信息。经测试,提出的模型在噪声环境下的识别率较于联合训练模型提升了3.1%,而参数量仅为联合训练模型的1/300。