语音识别是语音信号处理领域的研究热点，它长期以来一直是一项难题，尤其是对于噪声环境下以及非特定人语音识别。训练单元是语音识别系统中十分重要的一环，语音识别系统的训练效果的优劣直接关系到系统的整体性能。隐马尔可夫模型(HMM)作为描述语音信号的一种统计模型，在现代信号处理尤其是语音处理中获得了广泛的应用。文中阐述了HMM的原理及它的三个问题的求解方法，其中它的训练问题是它的三个基本问题中最难也是最重要的一个，经典的训练算法Baum Welch算法本质上是一种梯度下降算法，在训练过程中有可能达到局部最小值。因此，模型初始值的选取比较重要，好的初值可以避免局部极小问题。遗传算法的一个重要特点是全局搜索，可以得到全局最优解或次优解。选择、交叉、变异是遗传算法的三个主要的操作算子，个体为操作的对象，它们构成了整个遗传过程，使遗传算法具有了其它传统方法所没有的优良特性。又由于HMM中B初值的选取对模型的影响较大，于是本文将遗传算法应用到Baum Welch算法B初值的优化中，提出了一个把传统算法和遗传算法相结合的混合算法。文中首先对B初值进行了编码，然后再进行适应度函数的设计、交叉算子、变异算子的设计以及控制参数的选择，最后用软件仿真实现了上述遗传算法，求出最优的B初值，再用Baum Welch算法进行迭代训练，最后用Viterbi算法进行识别。实验中由于遗传算法的性能与它的控制参数的设置选取有着极大的关系，最优的算法性能往往需要最优的参数设置。因此实验中对两个最重要参数(P_c，P_m)组成的二维参数空间进行了寻优搜索，最终得到了较优的模型，提高了整个语音识别系统的识别率。