语音识别是一种实现人机自然交互的智能技术,在现在这个电子智能产品普及的社会中,它的应用十分广泛。通过语音识别,我们能够进一步的解放我们的双手,提高人机交互的效率。语音识别的发展日新月异,从一开始的孤立词识别,再到连续的大词汇量语音识别,再到远场语音识别。语音识别领域的研究人员一直在不断攻克新的问题与障碍。如今的语音识别技术,在语音清晰且距离够近的情况下,已经能够达到相当不错的应用水准。但是远场语音识别在语音识别的领域中依然是一个相当大的挑战,远场语音数据中存在的混响、回声和噪音等都对系统的识别性能造成了影响。近年来深度神经网络给很多技术领域带来了新的突破,它在语音识别上的应用也大幅提升了语音识别的识别率。而深度循环网络由于其自身网络中存在有向环的结构,使得循环神经网络能够拥有记忆,从而拥有了对动态时序建模的能力。在论文中,对于如何在远距离的情况下进行准确的语音识别这个问题,将以深度循环神经网络为切入点展开研究。本文的主要工作如下:(1)介绍了语音识别中的基本技术,对语音识别中的预处理过程如语音分帧、端点检测等进行了详细说明;对经典的语音特征如MFCC、LPCC等做了详细介绍,并对特征参数的提取过程进行了推导;描述了远场语音识别中的基本技术,对远场语音识别中语音增强技术的必要性进行了阐述,并对多通道波束形成算法进行详细介绍。(2)研究了传统的语音识别算法模型GMM-HMM模型以及基于深度循环神经网络的声学建模。使用beamforit工具包对远场语音数据进行波束形成,利用kaldi框架在AMI数据集上分别建立了基于GMM-HMM、LSTM、改进LSTM的远场语音识别系统。(3)研究对比了GMM-HMM与LSTM的不同之处以及模型性能差异。另外还在模型结构、特征参数等方面深入对比了LSTM的性能表现,在AMI数据集上的实验表明:3隐含层的LSTM模型与GMM-HMM模型相比在WER值上有6.2%的相对降低;4隐含层的LSTM声学模型与3隐含层的LSTM声学模型在WER值上有11.2%的相对降低;在4隐含层的LSTM声学模型中,融合特征PLP+MFCC取得最佳的识别效果。针对深层LSTM的梯度消失问题,使用改进的LSTM网络结构,增加一个层控制门改善模型的性能,在AMI上的实验验证了改进方法的有效性。