语音识别是模式识别和应用数学的交叉热点课题,端到端的语音识别系统在连续语音识别领域越来越受关注。如何构建更有效的序列到序列直接转换的模型,成为语音识别研究的前沿问题。目前,端到端的实现主要基于连接时间分类CTC（Connectionist Temporal Classification）的方法或者基于注意力机制（Attention Mechanism）。本文主要针对其中基于注意力机制的编码-解码模型进行研究,主要完成了以下工作:（1）提出了一种基于混合注意力机制的编码-解码模型。现阶段广泛应用于语音识别领域的是基于内容（Content-based）的注意力机制（Attention Mechanism）编码-解码模型。该模型框架在输出字符序列时,有选择地从编码序列中获取信息,并依赖于之前已经输出的字符信息,解决了基于CTC模型语义信息获取缺失的问题。但它对位置信息考虑不充分,导致对齐精准度不够。为了解决这个问题,本文提出了一种注意力模型,通过在基于内容的注意力模型中加入位置信息,帮助模型实现更精准的对齐。相较于基于内容的注意力模型,该模型在中文连续语音数据集THCHS30上音素错误率从6.35%降低至5.93%,字错误率从8.45%降低至8.04%;在英文连续语音数据集TIMIT上音素错误率从13.43%降低至12.52%,字错误率从14.16%降低至13.15%。（2）为了缓解循环神经网络RNN（Recurrent Neural Network）在处理序列任务时存在的梯度消失的问题,本文采用长短时记忆网络LSTM（Long-short Term Memory）编码特征序列。同时,针对长输入序列造成的模型计算复杂度增加的问题,本文提出引入下采样层,来降低模型复杂度,提高训练速度。实验结果显示,引入下采样层的模型复杂度降低了近24%。（3）针对基于注意力机制的模型在含噪语音识别任务中表现不佳的问题,本文提出了一种混合注意力和CTC联合训练的方法。在混合注意力编码-解码模型的基础上,用CTC辅助训练。实验结果表明,在中文含噪语音识别任务中,通过加入CTC的辅助训练,音素错误率降低了 9.04%,字错误率降低了 7.62%。