在语音识别和语音合成的应用系统中，经常会遇到发音词典中没有的单词，因此需要提供一个模块自动的为这类单词注音，这个任务称为单词的字音转换(grapheme-to-phoneme conversion)。在几十年的研究历史中，研究者试图从两个方向解决这个问题，即利用基于专家知识的手写规则方法和数据驱动的基于机器学习的方法。近年来的实践表明，后者在转换准确性、语言独立性等方面都超过了前者，但是对于英语这样的发音规律性很差的语言，现有的方法还不能达到满意的性能。本文针对字母语言的单词字音转换问题做了细致深入的研究，主要贡献和创新点归纳如下：　　 1.改进了基于决策树的字音转换方法。在已经提出的诸多基于机器学习的方法中，基于决策树的方法获得了很好的效果，但是现有文献中缺乏对实现中一些关键因素的讨论。本文通过实验分析了这些因素对系统整体性能的影响，证明通过细致的调节，可以大幅提高字音转换的准确率。另外，还提出了两个新的方法，解决了词典的字音对齐和快速寻找最优剪枝参数的问题。　　 2.提出了基于Bagging和随机森林的字音转换方法。决策树方法虽然可以很好的描述训练数据，但是泛化能力有限：泛化错误可以分解为模型的偏倚和方差，单一的决策树无法同时降低这两部分。Bagging和随机森林都属于聚合分类器，它们通过在训练过程中引入随机因素，使用相同的训练数据得到许多不同的决策树分类器，将它们的分类结果投票产生最后的输出，同时降低了偏倚和方差，因而降低了泛化错误率。实验证明，使用这两个方法可以取得明显优于决策树的字音转换准确率。　　 3.提出了基于AdaBoost的字音转换方法。AdaBoost方法通过对训练样本加权，根据分类错误调节权重，迭代训练若干分类器，最后将这些分类器的结果加权投票产生最终的分类结果。AdaBoost使用自适应调节权重的方法，使分类器更侧重于对分类错误率高的训练样本进行分类，通过投票的方式可以将所谓的“弱分类器”组合为“强分类器”，得到很好的分类能力。本文提出的基于AdaBoost的字音转换方法也取得了比决策树方法更高转换准确率。　　 4.将本文提出的几种方法整合为一个融合系统，在NETtalk和CMU两个英文词典测试集上得到的转换准确率高于已发表文献中的最高水平。