藏族是我国五十五个少数民族之一,分布较广,人口众多。藏族人说普通话受其本民族语言发音习惯的影响,常常会带有一些固定类型的发音错误。随着语音处理技术和人工智能的飞速发展,计算机辅助语言学习系统（Computer Aided Language Learning,CALL）越来越受到人们的青睐,这种教育方式将会是一个新的趋势。本文以甘肃地区藏族人学习普通话发音为研究对象,从语言学角度对比分析藏语和标准普通话的发音特征,构建合适的语料库。利用语音信号处理和机器学习相关理论,提取藏语语者普通话发音特征的信息,在音节层和音素层分别实现对藏语语者普通话的错误发音检测和发音及整体质量相似度测量。本文的主要工作和创新如下:1、建立了一个适用于藏语语者普通话发音评估研究的语料库。本文先从语言学角度对比分析藏语和标准普通话的发音特征,归纳总结出藏语语者普通话的发音特征,在此基础上进行文本设计和语音录制。进一步地,对录制的音频文件进行分层标注:短语层用汉字标注;音节层用汉语拼音标注;设计藏语标准普通话的计算机可读音标（Speech Assessment Methods Phonetic Alphabet-Tibetan Standard Chinese,SAMPA-TSC）来标注音素层。最后对创建好的语料库从覆盖性、全面性、质量和可重复使用性进行四个方面的科学评估。2、实现了一种改进的自动音节音素分割方法。本文先从文本到音频的对齐角度出发,建立基于隐半马尔科夫模型（Hidden Semi-Markov Model,HSMM）的分割方法,其最终的音节和音素起始1值分别为36.16%和38.99%,音节和音素的正确分割率分别为64.09%和47.71%。为了获得更理想的分割效果,本文又从起始检测角度出发,建立基于起始检测模型的分割方法,该方法的音节和音素起始1值分别为75.09%和75.23%,音节和音素的正确分割率分别为84.19%和60.49%。3、实现了一种在音节层级错误发音检测的方法。它是藏语语者普通话发音评估的一个子任务,基于音节分割和判别网络模型。其中,音节分割方法使用的是基于起始检测的分割方法,其音节的起始1值为77.61%,正确分割率为86.74%。而判别网络模型,其基线模型是带有双向长短时记忆网络（Bi-directional Long Short Term Memory,Bi-LSTM）单元的循环神经网络（Recurrent Neural Network,RNN）结构,然后尝试了将卷积神经网络（Convolutional Neural Network,CNN）、注意力机制（Attention mechanism）和Dropout等其他深度学习方法结合到该基线模型中,最终的模型在测试集上的错误发音检测准确率为62.37%。4、实现了一种在音素层级的发音及整体质量相似度测量的方法。它是藏语语者普通话发音评估的另一个子任务。本文先通过主要部分为单个或多个循环层的音素嵌入神经网络（带有Bi-LSTM单元的RNN）将变长的音素段转换为定长向量,然后根据验证集的结果确定最终层数:发音方面为2个循环层的RNN结构;整体质量方面为1个循环层的RNN结构。然而在测试集实验时,发现整体质量的结果与验证集上的结果相差较大。我们分析原因做出合理猜想并通过实验验证我们的猜想。最后对音素嵌入神经网络分别进行改进:添加Attention机制、使用32维度嵌入、叠加CNN层、使用Dropout方法,最终改进模型的实验结果在发音和整体质量方面均有不同程度的提高。