传统的语音识别系统基本上都是基于较为纯净的语音环境建立的,即在声音抓取的基础上,进行简单的滤波和去噪声,然后直接将声音信号输入到语音识别网络得到识别文本。一旦环境中有噪声干扰或存在其他人的声音,语音识别就会受到严重影响。已有的信号去噪、参数去噪和抗噪识别等方法都有一定的局限。如果能实现干扰、噪声和语音的自动分离,即在识别前就获得较为纯净的语音,就可以彻底解决噪声环境下的识别问题。近年来的声源分离等技术的飞速发展为干扰、噪声和语音的分离提供了可能。同时,在一次人机对话的过程中,机器人仅仅是通过执“问题文本”去搜索“应答文本”,然后把“应答文本”变成声音播放出来,机器人对其听到的“问题文本”并没有任何的分辨能力,经常发生机器人误响应的问题。针对这两个问题,本文提出了一种基于盲源分离和垃圾文本筛选的语音识别系统设计方法。首先,分别研究PCA和ICA这两种方法实现对混合声音流的盲源分离,测试盲源分离方法的使用对混合声音流识别的影响,并通过实验验证,得出盲源分离的加入可以在一定程度上改善语音识别系统对混合声音流识别效果的结论,同时对比发现ICA方法实现盲源分离的成功率可以达到96.4%,要高于PCA方法的89.6%成功率。研究三种文本筛选的实现方法,即基于规则的文本滤除、基于朴素贝叶斯的文本滤除和基于支持向量机的文本滤除,实验对比发现,文本筛选环节极大地降低语音识别系统对“垃圾文本”的误响应率,三种方法对“垃圾文本”的召回率分别可以达到92.4%、89%和98%。所以本文使用基于ICA方法实现声源分离,使用基于SVM方法实现文本筛选。声源分离可以将机器人听到的混合声音流分离成若干个纯净的声音流,使得语音识别系统能够对每个纯净声音流分别进行识别处理,避免了传统语音识别系统对混合声音识别率低所造成的误识别的问题;文本筛选可以判断每个纯净声音流对应的识别文本是否合格,对不值得回答的“垃圾文本”进行滤除,在一定程度上避免误响应的问题。基于盲源分离和文本滤除语音识别系统的工作流程是声音监听,声音抓取,声音滤噪,声源分离,语音识别,文本筛选,文本响应等七个环节。实验表明,相比于传统的语音识别系统,基于盲源分离和文本滤除语音识别系统对混合声音流的识别率有显著提高,同时对“垃圾文本”响应率有明显下降。