自动语音识别技术是使人与人、人与机器更顺畅交流的关键技术。随着新型的社交媒体逐渐普及,互联网上的数据量大量增长,使得传统语音识别系统的识别效率大大降低。传统的语音识别方法,在训练模型的语料时,除了要标注具体的文字,还要标注按照时间顺序对应的音素,需要大量人工成本。因此,使用神经网络技术可以将语音识别变得简单。通过链接时序分类(CTC)计算多个标签序列的概率,而序列是语音样本中所有可能的对应文字的集合。由于是直接拿音频序列来对应文字,连语言模型都可以省去,这样就脱离了标准的语言模型与声学模型,将使语音识别技术与语言无关,只要样本足够多,就可以训练出来。本文基于链接时序分类方法的端到端语音识别系统展开了重点研究,其主要研究内容包括:1)深入研究了LSTM结构,对LSTMP的网络结构进行改进,提出一种Re-dimension方法,让网络可以自主学习历史信息,通过实验验证,使得语音识别准确率得到提升。2)由于Batch Normalization(BN)算法过去都是在DNN模型上使用,故使用BN算法,使其在LSTM网络上发挥作用。3)进行神经网络训练时,采用Target Delay方法实现CTC算法的自适应,从而对单向LSTM模型进行Context的精准建模。综上所述,本课题在收集的数据集上进行实验,实验结果表明采用基于CTC方法进行端到端语音识别能够提高识别效率,随着数据量的不断增大,它会超过传统语音识别系统的性能。