语音识别技术是近年来高速发展的一项人工智能技术,具有广泛的应用前景,在互联网、通信、军事、国防、人机交互等方面都有重要的应用价值,长期以来一直是人们研究的热点。语音信号的非线性和语义的模糊性是语音识别研究的关键所在。因此,结合了人工神经网络的非线性、自学习性等特点和模糊系统的模糊推理和模糊划分等优点的模糊神经网络(Fuzzy Neural Network, FNN),很快被应用到语音识别中。同时,粒子群优化算法(Particle Swarm Optimization, PSO)是一种性能良好的全局优化算法,也是一种很有潜力的神经网络训练算法。本文对粒子群优化模糊神经网络在语音识别中的应用进行了深入的研究,取得了以下的成果:1、针对传统BP算法训练模糊神经网络依赖于初始值、训练时间较长、易陷入局部极值的问题,本文提出了粒子群算法优化模糊神经网络。同时为平衡粒子群算法的全局探索和局部改良能力,算法引入了自适应动态改变的惯性因子。考虑到语音识别过程中语音特征参数的维数都比较大,模糊神经网络的结构较复杂,不宜将全部参数都采用粒子群算法优化,文中利用粒子群算法对模糊神经网络模糊层的中心进行聚类,宽度和权值则分别采用距离测度和伪逆法获得,将训练好的网络应用于语音识别。实验表明,该算法有很好的识别性能,在识别率和收敛速度上都优于BP算法训练的网络。2、针对基本粒子群算法易陷入局部极值的问题,本文引入了量子粒子群算法(Quantum-behaved Particle Swarm Optimization, QPSO)。并用四个典型的测试函数对两种优化算法的性能进行了测试,结果表明量子粒子群算法比基本粒子群算法更易找到全局最优值,因此本文提出用量子粒子群算法优化模糊神经网络。3、针对当前语音识别系统对环境依赖性强、实现过程复杂的问题,本文提出了一种改进的语音识别系统,结合两种信噪比环境下的语音对系统进行训练,训练的模板库可以适用于任何信噪比下语音的识别,大大提高了识别系统对环境的适应性,简化了语音识别的过程。本文将量子粒子群优化的模糊神经网络应用于改进的语音识别系统,并与在相同条件下的原系统实验结果进行对比,表明改进的系统具有良好的识别性能。