语音关键词检测是人机交互中的重要技术,它关注语音流中一小部分区域,通常作为设备的智能启动接口,只有当用户发出特定的指令或词汇,对应的模块才会被唤醒然后进行相应处理,这使得设备能够以低功耗的待机状态长时间运行。近年来,随着深度学习的快速发展,语音关键词检测的性能获得了较大提升,但是,语音关键词检测任务仍然面临众多挑战,如样本不平衡问题、样本使用效率低、以及训练慢等。本文针对这些问题展开研究,具体贡献如下:1.基于样本错误频次加权损失函数,降低样本不平衡的影响。语音关键词检测的正样本收集成本较高,而为了减少虚警的产生,需要数量众多且类型丰富的负样本参与训练,所以语音关键词检测模型的训练不可避免地面临样本不平衡问题。在训练阶段,大量容易训练的负样本将占主体地位,“淹没”正样本的贡献,导致次优模型。为了解决这一问题,本文基于样本重要性加权方法,提出了一种由样本检测错误频次指导的加权损失函数。它利用训练过程中样本产生检测错误的次数来评估样本的重要性,自动削弱“容易样本”（其中大多数是负样本）的贡献,使训练集中在那些需要更多关注的样本上。该方法可以在有效利用所有可用数据情况下自然地缓解样本不平衡问题。基于公开数据集AISHELL-1和AISHELL-2的多组关键词评估实验表明,当关键词虚警为0.5次/小时,本文所提方法使漏检率相对降低了16%—38%。2.基于类不确定性的高效训练样本使用方法,提高深度学习的学习效率。在深度学习的常规训练模式中,所有样本以均等机会全程参与训练而不管其样本分布如何,这并不是一个有效的过程,因为在不同的训练阶段,训练样本的“学习难度”对模型而言是变化的。大量已经可以被模型轻易识别的“容易样本”不加限制地参与训练,造成计算资源的巨大浪费。为了提升训练的效率,和人类学习过程中“只有在‘学习区’中学习才可以更快获得成长”的“认知三区”理念类似,本文提出了模型训练过程中着重使用“学习区”样本的有效学习机制。通过反馈式地基于模型输出信息构建样本参与训练的概率,该方法着重使用决策边界附近且未训练好的样本,同时在模型训练中后期去除大量对于当前模型来说相对没有学习意义的样本,即使用样本子集进行训练,提高训练针对性。在谷歌命令词数据集上进行的多个语音关键词检测实验表明,该方法使训练时间减少了59.47%—64.86%,而模型准确率仅相对下降1%左右。基于CIFAR-10数据集的图像分类任务实验进一步验证了算法的有效性,在准确率仅相对降低0.85%情况下,有效学习使训练时间减少了65.07%。