为了解决复杂环境背景下,采用传统声学模型对语音识别的识别率低的问题,本文结合深度学习理论,分别从语音特征参数和声学模型两个方面进行语音特征提取和识别算法研究。论文研究了人类语音特征,分析人类语音特征参数及其提取原理,研究了LPCC和MFCC两类语音特征参数提取基本算法。通过对MFCC提取算法分析,得出该算法存在明显的高音特征畸变问题。因此,本文采用了EMD分解和分形理论的改进算法修正语音的高频区信息,以达到通过对语音高音区特征量的非线性处理的实现改善高频区信号畸变的目的。本文还研究了MFCC提取算法结合EMD-FD提取算法,相较于单一MFCC提取算法能够更加完整地提取语音信号高频区特征,进而提高了语音识别率。本文还从声学模型建模的角度对深度学习理论以及语音识别中ANN-HMM模型进行了研究。首先,论文分别研究了传统的HMM模型和GMM-HMM模型理论基础,通过仿真对比了HMM模型和GMM模型对语音训练量的性能,论文测试验证了GMM-HMM模型识别效果优于单一的HMM模型,几乎不受语音训练量的影响,提高了声学模型的识别率。然后,论文研究了深度学习理论应用于语音信号处理的可行性和一般方法。然后,论文研究了DNN和LSTM神经网络模型及其训练方法,着重分析了DNN神经网络模型的结构原理、基于受限玻尔兹曼机训练算法和Dropout策略参数调优问题。紧接着,论文研究了LSTM神经网络模型的结构原理、BPTT训练算法及其改进的CSC-BPTT训练算法和解码问题。仿真结果表明:在LSTM神经网络模型中,CSC-BPTT训练算法训练效果和训练速度都要远优于传统的BPTT训练算法。最后,本文通过仿真对比了GMM-HMM模型、DNN-HMM模型和LSTM-HMM模型对长短语音序列的性能和智能化识别的可行性。仿真结果表明:基于深度学习理论的ANN-HMM模型作为声学模型能够取得了优于传统的GMM-HMM模型的识别效果和识别效率。