现代信息科学的迅猛发展,智能化工具进入人们的生活,致使人们渴望人与机器的交互,甚至期盼人与机器的对话能达到人与人之间交流的那种自然的水平。在种种思潮的触动下,对人机交互的研究近几年来趋于活跃。实现对语音的识别是人机交互研究的核心之一,也是它的一个重要研究课题。作为一项具有广泛社会效益和经济效益的现代信息技术、语音识别技术虽然己经取得了很大的成就,但是面临实用化时还存在一系列的问题。要实现性能优良、实用化的语音识别系统,人们仍需要不断对语音识别的理论、算法进行研究,解决和完善语音识别中所存在的各种问题。另外,随着各种科学理论的不断发展和深入,一些新技术、新理论也不断出现,这些都为语音识别的研究奠定了基础。本文根据近期国内外对语音识别技术的集中研究方向,以及目前语音识别技术在实用性方面存在的一些问题,对语音识别技术在声学模型的改进以及语言学知识的引入方面进行了学习和研究。首先将代数算法和BP算法应用于孤立词的语音识别系统中,通过实验验证了代数神经网络的优越性。在此基础上,考虑到隐马尔可夫模型自身的一些缺陷和人工神经网络具有可以与隐马尔可夫模型互补的一些特点,用代数神经网络代替高斯混合器来计算隐马尔可夫模型的观测概率,以此提出了一种代数神经网络和HMM模型的混合模型。之后,文中对基于混合模型的连续语音识别系统进行了设计,将语言学知识引入到模型中,选取三音素作为基本声学单元,为训练语音数据中用到的所有三音素建立了隐马尔可夫模型,并采用了基于决策树的状态共享策略,以保证对声学模型参数的充分估计,最后将训练好的各个三音素模型根据本文中提出的混合模型的原理,构建了相应的代数神经网络,并用相应训练数据对其训练,最终实现了一个基于混合模型的连续语音识别系统。最后,本文在HTK平台的基础上,结合java语言实现了基于混合模型的连续语音识别系统。结果证明将混合模型结合语言学知识应用于语音识别系统是切实可行的。通过实验数据的对比可得知,依据此混合模型构建的非特定人连续语音识别系统克服了HMM模型自身的一些缺陷,识别率优于基于HMM模型构建的识别系统。