近年来,自动语音识别技术快速发展,以DNN-HMM框架构建的声学模型逐渐取代了传统的GMM-HMM建模方式。但随着各种实际应用的落地与系统运营的部署,也逐步暴露出现有模型泛化能力不足等方面的问题,具体体现为:当面对不同设备信道时,系统的性能稳定性不够。本文的研究方向着重于解决跨设备信道对语音识别系统的影响。研究内容主要由以下两部分组成,一,使用区分性训练的模型训练策略(Chain Model),提升基线系统的性能。通过谱增广及均值归一化,有效去除信道畸变噪声,提高了模型的鲁棒性。二,采用迁移学习方法,借助源域模型中的丰富知识对当前任务进行指导训练,并对比模型预训练与隐含层参数共享两种迁移学习方法在当前任务的优劣性,最终使系统性能得到充分提升。基于上述研究,通过区分性训练,可以使模型在因设备信道不同造成识别结果差异幅度由最初的50%以上低降低到34%。在引入谱增广和均值归一化两种方法后,使得识别结果差异幅度降低到11%左右。结合迁移学习技术后,可以把最终的差异幅度控制到10%以内。与此同时,最优模型在复杂多信道测试集上的平均字错率由基线系统的46.67%降低到21.33%。