语音是人类最主要的交流方式,人类通过语音传递讯息、表达情感。随着计算机技术的发展,我们开始研究如何让计算机能够“听懂”人类的语言,于是语音识别应运而生。一直以来,语音识别都被看做是连接人与机器之间的纽带和桥梁,它能够帮助人们简化工作流程,提升工作效率,使人机交互变得更加便捷、高效。因此在很多领域都得到广泛的使用,并且在许多未开发的领域有很大的发展前景。远场语音识别是语音识别领域的重要分支。该技术在智能家居、会议转录、车载导航等场景都有重要的应用。远场语音识别是指将远距离场景下(通常为1m-10m)接收到的语音转化为计算机可读内容。但是由于远场情况下会存在混响、回声甚至人声干扰,导致语音识别率大幅下降。针对上述情况,本文开展工作如下:1.针对加权预测误差技术(Weighted Prediction Error,WPE)迭代复杂、效率低以及无噪声假设等问题,本文提出了一种用长短时记忆神经网络(Long Short Term Memory,LSTM)来估计WPE的语音增强算法。通过训练LSTM来得到语音的理想比率掩蔽(Ideal Ratio Mask,IRM)抑制噪声以满足无噪声假设,再通过IRM估计期望的语音频谱的方差,最后根据WPE算法计算出估计的语音。实验证明,使用LSTM来计算WPE减少了计算时间并且在语音质量方面得到明显提升。2.针对波束形成对特定噪声抑制能力不强,存在残留噪声的问题,本文提出一种基于深度神经网络(Deep Neural Network,DNN)维纳后置滤波的语音信号增强技术。本文使用远场语音的幅度谱训练DNN得到纯净语音和噪声的谱估计,之后通过计算维纳增益函数得出网络的输出即增强的语音幅度谱,用近场语音监督训练,通过误差反向传播更新网络权值。此外还考虑了语音信号帧与帧之间的关联性,改进传统DNN的目标函数。实验证明,DNN后置维纳滤波进一步抑制了噪声提高语音质量,目标函数的优化使DNN获得对远场语音更好的建模效果,在语音识别率上有明显提升。3.针对语言模型对远场对话语音中高频词汇建模能力不强的问题,本文对于语言模型进行改进,提出一种优化的循环神经网络语言模型(Recurrent Neural Networks Language Model,RNNLM)。该方法应用快速边缘适应技术(Fast Marginal Adaption,FMA)将来自基线系统的RNNLM概率乘以特定于每个单词的因子并重新归一化。这些因子由使用转录文本训练的DNN估计得到。实验证明,自适应的RNNLM的困惑度更低,在解码时正确率更高。