非特定人(SpeakerIndependent，SI)语音识别系统在科研人员的努力下获得了令人满意的性能，逐步进入实用阶段，但是系统的识别性能仍然不能与特定人(SpeakerDependent，SD)语音识别系统的性能相媲美，关键的问题就在于非特定人识别系统对某个使用者的识别正确率不能满足实用化的要求，那是因为不同说话人语音的差异造成的，这也是非特定人识别系统走向实用化必须要解决的问题。因此语音识别自适应技术具有很重要的意义。　　 本文以分析不同说话人语音之间的差异为起点，讨论了目前说话人自适应的常用方法。对目前语音识别主要的自适应方法：基于最大后验概率(MAP)的自适应方法和最大似然线性回归(MLLR)自适应方法进行了深入的分析和实验验证，并对他们的主要参数和实现方式进行了实验和讨论。最后对比实验证明，这两种自适应方法都取得了令人满意的效果，并分析了他们各自的优点和不足。　　 在综合讨论和实验验证的基础上，实现了一个具有自适应功能的中等词汇量的口令识别系统，使用的是MAP算法，该方法的优点是利用了参数的先验知识，理论推导表明，这种方法可以使非特定人识别系统的模型参数向特定人识别系统的模型无限接近，具有渐进性，适合中小词汇量的语音识别系统。同时也对语音参数类型进行选择，参数的提取，语音信号的降噪处理等关键技术的运用进行了详细的说明和验证，并通过实验对隐马尔可夫模型的状态数和混合度的选取对系统性能的影响进行了分析。最后建立专门的语料库，对系统的性能进行验证，结果表明，使用了MAP自适应后系统识别率从平均的50％大幅提高到平均的90%。实验证明MAP自适应在中小词汇量口令识别系统中是非常有效的。　　 主要做的工作总结如下：(1)实现基于最大后验概率的说话人自适应方法。(2)实现基于最大似然线性回归方法的说话人自适应方法。(3)实现基于隐马尔可夫模型的口令识别系统，系统使用了最大后验概率的自适应方法。