语音识别是让机器能够“听懂”人类的语言、并把人类的语音信号转化为相应的文本或命令的技术［1］。语音识别可以认为是模式识别的一个分支，它与声学、语言学、心理学、数字信号处理、计算机学科等有密切的联系，是一门跨学科的技术。　　 本文以HTK为工具，以HMM为模型，实现了母语为英语的非特定人、大词汇量连续语音识别系统。非特定人、连续、大词汇量这三个特点是语音识别走向应用必须要实现的目标。本文中训练和测试的语音库来自NIST的TIMIT，该数据库是一个平衡语料库。在此基础上，完成语音识别关键技术的测试，本文具体工作和创新如下：　　 1、研究和分析不同音素模型对于语音识别系统性能的影响；实现了单音素建模和三音素系统，结果证明三音素建模考虑了发音的上下文依赖，识别率相比单音素有显著的提高。　　 2、研究和测试不同高斯混合度对系统识别率的影响。在一定训练数据量的条件下，随着高斯混合度的增加，识别率会上升，继续增加高斯混合度，由于训练数据的稀疏性，识别率会不升反降，实验验证了这一结论，识别率在混合度等于70时达到最大，继续增加混合度，识别率下降。　　 3、研究和分析了不同特征参数对系统识别率的影响。结果证明特征参数的选取对识别率的影响是显著的。本试验中着重比较了LPC、LPCC、MFCC、MFCC＿0、MFCC＿0_D、MFCC__0＿D＿A等不同特征参数下的识别率，本文的识别系统采用特征参数MFCC＿0＿D＿A能达到最高的识别率。　　 4、研究决策树状态共享对系统识别率的提升，并设计用于决策树分裂的问题集，实验结果证明决策树状态共享对识别率有一定的提升。