人工智能在当今社会炙手可热,语音识别技术凭借着与人工智能的紧密联系,研究热度也一直处于上升状态。语音识别技术的使用便捷,用户接受程度高和声音输入设备造价低廉等优点使其可以在多方面推广应用。但是传统的语音识别算法抗噪能力差,识别精度低,不能胜任实际场景中的应用。为了顺应现代化发展趋势以及保证语音识别的准确率,本文首先根据非负限制的K-SVD算法提出了双重稀疏K-SVD算法,该算法有着更为优越的收敛性,而且它的相对误差也小于K-SVD算法。运用双重稀疏K-SVD算法对字典进行稀疏表示,可以让字典获得更加理想的自适应能力,同时提升计算速度,有助于稀疏表示更大规模的信号。传统联合字典尽管能够获得纯净语音和噪声样本中的信号分布特征和规律,但却忽略了纯净语音字典与噪声字典之间存在相关性原子,导致了稀疏重构阶段源混淆现象的发生。所以本文又提出了基于区分性联合字典学习的语音降噪算法,该算法通过在字典间加入字典区分约束项,增强了字典的区分能力,使每个信号都能够在联合字典中对应的子字典上稀疏表示,抑制其在非对应子字典上的稀疏表示。同时将双重稀疏K-SVD算法应用于其中,既避免了字典间存在相关性原子,又提高了算法的自适应性。通过实验分析证明了区分性联合字典的有效性,并且该算法在较高噪声的干扰下仍具有很强的降噪能力。最后,针对实际应用场景,对嵌入式语音识别系统进行了硬件设计,传统LD3320语音识别芯片与51单片机的结合方式限制了识别指令的条数且识别成功率不高,因此选用V290pub语音识别模块结合STM32单片机予以替代,通过识别成功率实验验证了硬件设计的可行性,通过示波器对语音信号的波形分析得出了本文所提算法与嵌入式平台设计的结合具备良好的语音降噪能力。