语音识别是人机交互、模式识别的一项重要技术,有着广阔的应用前景,对语音识别进行研究具有重要的理论意义和实用价值。目前多数语音识别系统只适合于识别“纯净”的语音,当存在噪声或训练和测试环境不同时,识别系统会出现性能急剧下降的现象,系统的性能还有待改进,但常用的语音识别方法难以达到很好的效果。支持向量机作为一种新型的模式识别方法,其理论依据是结构风险最小化原则和VC维理论,该方法利用最大间隔原则、核函数等方法技巧,能较好地解决小样本、高维数、非线性和局部最优解等分类问题,比较适合语音信号特点,已经初步应用于语音识别领域。本文紧密围绕如何提高基于支持向量机的语音识别系统综合性能这个核心内容展开研究,分别从抗噪语音识别系统的多类分类方法选择、支持向量机核函数的选择与构造、加快语音识别系统训练速度的局部支持向量机算法等角度出发,对支持向量机在语音识别系统中的应用进行了若干分析和研究。主要研究成果可以归纳为以下几个方面:(1)详细研究了支持向量机的理论基础和基本原理,从理论上深入分析了支持向量机算法的鲁棒性,从而选择支持向量机作为本文的识别方法,构建了基于支持向量机的语音识别系统;详细分析了语音识别的基础原理、总体流程、模型训练和模式匹配等内容,研究了语音数据库的设计和录制流程,建立了中文500词语音数据库。(2)为了提高语音识别系统的抗噪性,本文深入研究了支持向量机解决多类分类问题的策略,首次将通信系统中的M-ary和纠错输出编码原理引入到支持向量机的语音识别中,仿真实验证明:在纯净和带噪的语音环境下,纠错输出编码方法具有很好的鲁棒性、抗噪性和泛化识别能力。(3)核函数对于支持向量机来说很重要,其直接决定着支持向量机的最终性能,因此在支持向量机的理论研究中,核函数的选择和构造占据很重要的位置。本文提出了两种新的核函数:Logistic和ORF核函数,分别证明了其为Mercer核函数,通过核函数映射趋势、双螺旋测试问题、Vowel和TIDigits两种孤立词语音库的实验,验证了新的核函数是有效的,应用于语音识别具有很好的泛化性能和抗噪能力。(4)为了提高语音识别系统的实时性,加快标准支持向量机的训练速度,考虑到语音样本在特征上的局部相似性以及非邻近样本之间的弱相关性等特点,本文提出了一种改进的局部支持向量机算法模型,给出了改进算法的描述、局部核函数证明和具体的流程,通过Vowel、CASIA汉语数字串、ISOLET、中文500词四种语音库的实验,验证了改进的局部支持向量机算法在语音识别方面可以有效的缩短语音识别系统的训练时间。