随着语音识别技术的发展以及人们生活需求的变化,许多包含语音识别功能的应用越来越多。然而现实场景中,环境噪声对语音识别效果的影响是巨大的,甚至使得很多产品完全失去了应用能力。其次,许多语音识别应用的载体都是嵌入式设备,这些设备有限的资源和功耗也严重阻碍了语音识别模型的部署。现有的一些语音识别算法,在这两方面还面临着巨大的困难。在对诸多流行的语音识别算法进行研究和对比分析后,为了解决噪声环境下对语音的高效识别问题,本文提出了一种全新的两阶段语音识别模型,该模型将语音特征序列转换成音素序列后再转换成最终的文字序列。其中第一阶段声学模型负责处理语音信号的声学特征,主要由卷积网络结构和GLU激活函数构成,利用CTC损失函数进行模型训练,将语音特征转换成音素。第二阶段语言模型负责处理音素的语言学特征,主要由Bi-LSTM网络结构和自注意力机制构成,利用焦点损失函数训练模型,将音素与文字一一对应转换。在训练过程中,为声学模型的输入使用了语音特征增强技术,为语言模型的输入进行了易错音素随机替换,进一步增强了模型的泛化能力。使用了多个开源语音数据集和大量低成本的文本数据分别训练后,在普通话语音数据集Ai Shell-1的测试集上,声学模型达到了1.31%的音素错误率,语言模型达到了99.42%的文字准确率,整体语音识别模型的错误率低至3.29%,并且总共只有15M的参数量,优于其他开源的普通话语音识别模型。在抗噪声和轻量化方面,该模型有两个主要的特点。首先,该两阶段方法把噪声对语音识别的影响限制在了第一个阶段,将对噪声影响的评估与对整个语音识别精度的评估分开,因此可以对模型进行更有针对性的抗噪优化。其次,两个阶段的模型有更简单且具体的目标,可以采用更精简且有效的网络结构,使用更少的参数量来达到理想的表达效果,所以整个模型能够拥有更轻量的体现。根据这些特点,本文还采用了多个技术,包括特征降噪算法,训练微调,修正损失函数,轻量化卷积,网络剪枝等,在两个阶段分别对模型进行优化,最终得到了抗噪性能更好,更加轻量级的高精度语音识别模型。在-5db到10db范围内信噪比并且包含多种类型噪声的语音测试集上,只有6M参数量的完整模型达到了5.74%的文字错误率,210ms的平均延迟时间。