随着计算科学和信息技术的发展,语音识别日渐成为人与机器交互的主要工具。经过几十年的研究和发展,语音识别技术已日渐成熟并逐渐走向实用,正在渐渐地改变着人们的生活方式。语音识别在各个领域得到了广泛的应用,如语音电话拨号、语音指令、语音菜单、语音导航等。本文研究了语音识别中的关键技术,设计开发了一套基于词网语言模型的连续语音识别系统——MYASR。通过MYASR提供的功能模块可以容易地搭建一套基于词网语言模型的连续语音识别应用系统。本文以它作为实验平台,对语音识别中的关键问题进行深入系统的研究。本文深入研究了静音检测算法。为了提高声音活动检测的鲁棒性,提出了一种基于GMM模型的声音活动检测方法,此方法在频谱特征空间中建立背景噪音和语音的GMM模型,然后采用模型匹配的方法对被测信号进行区分。而且此方法自适应更新GMM模型的参数,使之可以适应环境的变化。实验结果显示该方法在噪音环境中比传统的声音活动检测方法具有更高的准确率。语音识别中通常采用连续概率密度的HMM模型,状态用GMM模型表示。由于GMM模型的似然率计算占用了语音识别的大部分时间,实时性能难以保障。因此,通常采用似然率的近似算法。实验表明,似然率近似算法可以使识别时间减少10%以上。本文通过对各种GMM似然率的近似算法进行深入的研究分析,在动态高斯选择算法(DGS)的基础上引入误差控制参数,使得算法可以把误差限制在一定的范围内,解决了传统似然率近似算法中误差不可知的问题,保障了语音识别的准确率。同时,针对不同高斯分量个数的GMM模型,本文还给出了误差控制参数的参考取值。通过在TIMIT语料库上的单音子连续语音识别实验,对各种似然率近似算法的性能进行分析比较,结果显示改进后的算法(TDGS)具有良好的性能。