语音识别技术也称自动语音识别，是将人的说话内容转换为机器可以理解的输入的技术。语音识别技术在实践应用中遇到了很多挑战，例如随机噪声，信道失真，说话人变化等其他一些不匹配因素。针对这些因素，一方面可以通过专门的技术来提高语音识别系统在上述不利条件下的鲁棒性。另一方面，考虑到语音识别系统必然包含着错误的识别结果，通过置信度使得系统输出可靠性比较高的结果，而对于不可靠的识别结果进行其他的处理，使得系统的性能在一个可以接受的范围内。　　 当前语音识别技术的主流是基于经验风险最小化原则的隐马尔可夫模型(HMM)。由V.N.Vapnik等人提出的支持向量机分类技术(SVM)是基于结构风险最小化原则，它有很好的泛化能力，算法具有全局最优性。本文主要研究语音识别中置信度估值方法及其应用。本文主要针对在HMM框架的基础上的置信度的研究主要包括：置信度信息源的选择及综合；信息综合模型的选择等。　　 本文构建的语音识别系统针对汽车环境语音识别，识别系统由识别(Recognition)和验证(Verification)两个部分组成。识别部分，语音信号的特征通过HMM识别器，得到识别结果及相关的信息，作为SVM多分类器的分类对象，得到分类结果。验证部分，SVM进行二分类，对分类结果即识别结果信息作置信度评价。本文的创新点：结合多分类SVM的HMM识别器，并将SVM的输出作为置信信息的来源之一。同时，本文对SVM的多分类、输出概率化及大量数据训练问题进行了研究。SVM多分类器与二分类器在识别与验证两个阶段的应用有效降低了系统的等错误率(EER)。