随着基本科学理论的不断发展,人工智能技术也随之有了不断的提高,有了很大的应用空间。基于人工智能算法的语音识别技术逐渐成熟,识别系统的功能越来越强大,能实现人机交互、语音控制等。支持向量机是一种基于统计学的识别算法,它克服了训练集样本数量少、线性不可分、维数灾难和局部最优等问题,有较好的泛化能力和较高的分类能力,适用于语音识别系统。支持向量机解决了数据样本较少的这一问题,但是支持向量机的训练过程中涉及到了大量的矩阵运算和核矩阵的存储问题,出现了训练时间过长的现象。本文的研究目的就是缩短大数据量下支持向量机训练时间。本着这一目的本文从输入语音识别系统的数据维数方面,采用主成分分析法对语音的美尔频率倒谱系数做降维运算,并且通过主成分的特征值贡献度这一参数保证语音识别系统的识别精度不下降,以期大幅降低了支持向量机训练时间。另外,本文利用支持向量机中只有支持向量对训练得到的模型中的决策函数有贡献这一原理,从数据的选取和训练方式的角度提出了分组训练预选取算法,减少了训练数据中的冗余部分,同时新颖的分组方式在局部上减少了子系统的要处理的数据量,以此来降低语音识别系统的训练时间。最后通过在大样本数据集下的实验,验证了在不同规模、不同信噪比语音样本之下将主成分分析法应用到美尔频率倒谱系数中和分组训练预选取算法都可以缩短支持向量机的训练时间,证实了本文提出的两种方法的有效性。