近年来,语音识别技术随着深度学习领域的发展经历了巨大的技术变革,其中声学模型也逐渐由传统的高斯混合模型向神经网络模型发展,后者显著提升了语音识别系统的识别性能,使得语音识别能够较好的服务于人类的工业生产以及日常生活。然而在教育场景下,由于教学内容综合性强、话术表达丰富多样、教育场景语音数据集相对匮乏等问题,将语音识别应用到教育场景仍然是一项具有挑战性的研究。本文以实现教育场景语音识别为目标,首先研究了基于深度神经网络、时延神经网络、双向长短时记忆网络以及深度前馈序列记忆神经网络的声学模型,并通过实验对比不同网络结构的声学模型在教育领域语音数据集上的建模性能。实验结果表明基于深度前馈序列记忆神经网络的声学模型在识别性能和参数规模上均优于其它网络结构的声学模型,适用于实现教育场景下的语音识别系统。在此基础上,结合教育场景语音识别特点,本文通过区分性训练方法、说话人自适应方法以及语音数据增广方法对基于深度前馈序列记忆神经网络的声学模型识别性能进行优化。实验结果表明,以上三种方法在一定程度上均可提高教育场景语音识别声学模型的识别性能,且通过融合这三种方法,能够进一步降低识别词错误率。此外,本文还提出一种基于自动标注的语音数据增广方法,以解决教育场景语音数据获取成本较高的问题。实验结果表明,提出的方法能够有效扩充可用于训练的语音数据规模,提升语音识别性能,并具有稳定可靠,可操作性较强的优点。最后,通过融合以上四种优化方法,在测试集上取得了最优的识别结果,词错误率相比于基线模型相对降低29.8%,基本满足教育场景对于语音识别声学模型性能的实际需求。