深度学习是近年来在机器学习领域出现的一个新的研究热点，其最早源于人工神经网络(ANN)的研究。它通过模仿人脑多层次的模型结构，对底层信息经过多层非线性变换，逐步提取低层特征形成更加抽象的高层表示，来发现数据的本质特征。将深度学习技术结合多层神经网络应用于语音识别的研究，具有重要的理论意义和实用价值。　　本文首先对语音识别系统的基本原理和隐马尔科夫模型(HMM)的基础知识进行了讲解，综述了传统的语音识别方法并分析了它们的优缺点。对预加重、端点检测、特征参数提取等过程都进行了仿真实验。　　论文重点研究了基于深度学习的多层神经网络。对标准误差反向传播(BP)算法和改进的BP算法进行了仿真实验，通过对比改进方案前后的实验效果，可以看出改进的BP算法能够加快网络训练速度，提高效率。　　深度自编码(DAE)网络是一种典型的深度学习模型，它由多个自编码器(AE)组成。DAE网络在训练时，先通过无监督学习，完成对隐含层的预训练，然后再用BP算法对网络进行精调，这样可以改善传统BP算法的缺陷，提高网络性能。本文利用Matlab软件分别构建了DAE网络和传统的BP神经网络，对孤立词识别进行了仿真实验，结果表明DAE网络识别准确率较BP神经网络有20.0％的提升。　　将深度学习应用于连续语音识别更有实际意义。在连续语音识别中，利用深度神经网络(DNN)对声学特征建模，可以更好地提取语音信号的特征，从而有利于识别。另外，DNN声学模型在与HMM结合时，不需要对特征参数的分布进行假设，更符合真实情况。论文最后利用开源语音识别工具Kaldi在TIMIT语音库上进行了基于DNN的连续语音识别实验，对于开发集和测试集词错误率分别为18.1%和19.0%，与其他语音识别方法相比性能有大幅提升，从而验证了深度学习算法的有效性。