语音识别是一门内涵丰富、应用广泛的技术，它的实用性和趣味性使得人们对它有着迫切的应用需求。语音识别正在办公或商业系统的数据库语音查询、工业生产部门的语声控制、电话与电信系统的自动拨号以及医疗和卫生等领域发挥重要的作用，并且极有可能成为下一代操作系统和应用程序的用户界面。随着嵌入式设备的不断发展，终端设备的体积越来越小，操作要求更加简便。而利用孤立词语音识别系统来进行操作命令的语音输入则是一个十分理想的人机接口方式，应用前景非常广阔。　　 本文介绍了语音识别的发展历程，论述了语音识别的基本原理，包括预处理、端点检测和特征参数提取，论述了特征参数中线性预测倒谱系数(LPCC)和Mel倒谱系数(MFCC)。在特征参数提取中，将基于听觉模型的与基于发声模型的LPCC特征参数进行分析比较后，选用了MFCC特征参数。随后介绍了目前应用比较广泛的HMM模型以及人工神经网络的基本原理，简述了两者的基本算法，深入探讨了HMM模型和神经网络在实际的语音识别系统中的具体应用。　　 为取HMM和人工神经网络这两种模型各自的优异特性，在本文研究的语音识别模型中，采用它们的混合模型，提出了一种新的结合方式：即利用Viterbi算法产生HMM的最佳状态序列的输出概率，输入概率神经网络后进行识别。充分利用了CDHMM的时域建模和概率神经网络强大的非线性分类能力，同时充分考虑了孤立词语音的类间特性。由于响应时间快，计算复杂度低，要求的存储空间也较低，这种混合模型也更适合于在ARM，DSP等嵌入式设备中应用，以满足对手持化、实时化的语音识别系统的要求。最后，通过实验验证了这种结合方式在一定程度上提高了语音的识别率，且比一般BP神经网络更适合于应用于嵌入式的语音识别系统中。