在机器智能技术日新月异的发展,语音智能识别技术作为提高人机交互效率的一种手段,已经成为机器智能技术领域中不可分割的一部分,其应用性日渐提高,受到大众普遍认可与广泛使用。然而,在开发语音识别模型阶段时所需消耗大量的计算资源与训练时间,成为限制语音识别技术进一步完善和发展的因素。因此,如何在语音识别模型开发阶段快速训练模型和降低所需计算资源要求是具有重要的理论及实际意义。本文主要研究了在基于长短时记忆循环神经网络的语音识别模型开发阶段中,造成长短时记忆循环神经网络训练速度慢的主要因素和如何加快网络的训练速度和减少网络所需的计算资源。本文主要工作如下:1.本文提出在基础循环神经网络输出层添加分类器的方法来分解输出层计算过程,改善循环神经网络输出层运算过程复杂的问题,达到降低网络输出层计算复杂度的目的。实验结果表明在网络输出层添加分类器的优化输出层结构的方法是可以降低网络输出层的运算复杂度的。2.针对长短时记忆循环神经网络中的门激活值是稀疏的,而且某些门激活值之间呈现出一定的线性关系。本文提出一种线性表示负向关系门激活值的方法,来变相缩减们的数量,降低网络门整体的计算复杂度,提高网络学习效率。实验结果表明,本文方法在保证一定的识别精度前提下提高了网络训练效率。3.本文改进的长短时记忆循环神经网络与CNN神经网络、FSMN神经网络进行了实验分析,实验结果表明:基于改进后的长短时记忆循环神经网络的语音识别模型的识别性能更好。