音素识别技术一直是当今社会人工智能的一项研究热点。传统的音素识别机制采用HMM-GMM模型进行建模,本文的CMU-SPHINX系统便是基于HMM-GMM建模的音素识别机制。随着近年来技术的不断革新和进步,神经网络技术在人工智能领域取得了飞速的发展和应用。鉴于神经网络具有更强的特征表达能力,并在相关的领域取得了良好的效果,因此本文又引入了基于ANN-HMM的音素识别机制——LC-RC音素识别机制。最后本文在两个基准系统上进行了必要的优化,提高了系统识别的准确率。本文的主要工作如下:(1)依托开源软件,搭建了 CMU-SPHINX和LC-RC基准音素识别机制,并对两个基准系统进行了必要的测试与分析;(2)搭建了基于CMU-SPHINX系统的中英文语言模型训练及测评系统,利用HTK工具包得到了 Lattice格式的语言模型;(3)针对汉语语声的音素构成开展了研究工作,根据汉语语声的发音特点,较为合理地将汉语音素数目由125缩减至38,大大降低了模型复杂度,取得了一定的性能改进;(4)利用语音信号的基音特征对音素边界进行校准,为LC-RC系统的声学模型训练提供更准确的标注数据;(5)面向汉语和英语语声数据,追踪LC-RC系统神经网络训练过程中损失函数的变化,并依据其变化情况对基准系统的学习速率和迭代情况进行了必要优化,取得了一定效果;(6)在基准系统的基础上,融合语音的韵律特征,使两个基准系统的识别准确率均得到了一定提升。