语音识别系统的性能是影响语音识别实用化的关键因素之一。语音训练数据的规模和质量对声学模型的性能有很大影响。在当今的信息化社会,大规模训练数据的获取越来越容易,但是质量不高的训练数据的增加并没有带来声学模型性能的大幅提高。对此,本文将语音数据质量问题分为两类:大段语音质量问题(包括非普通话语音、非语音和低信噪比语音)和局部标注质量问题(包括纯净语音和高信噪比语音的文本标注含有插入、删除和替换错误),并开展了如下研究:　　 首先,对于第一类数据问题,本文使用文本相关语言模型对语音数据进行识别,清洗识别结果和文本标注大段不一致的部分。其次,对于第二类数据问题,使用通用语言模型对第一步保留结果进行识别,保留识别结果和文本标注一致的部分。最后,利用声学模型得分信息对第二步中不一致的部分进行决策选择。　　 本文分别从数据质量和语音识别性能两方面对本文提出的数据清洗方法进行评价。对于数据质量评价,本文详细标注了新闻类和访谈类电视录音数据的语音类别和文本,构建了10小时的语音数据质量评价数据库。通过本文方法清洗后,相比清洗前,该库新闻数据和访谈数据中适合声学模型训练的数据(包括纯净语音和高信噪比语音),其语音比例相对提高分别为9.05％和5.20%,标注字错误率相对下降分别为58.92%和56.80%。对于语音识别性能评价,从1345小时的电视节目录音数据中挑选出的795小时数据训练得到的声学模型,相比用未清洗数据训练的声学模型,语音识别字错误率相对下降21.88%。