语音识别技术经过几十年的发展,已经取得了长足的进步。尤其是HMM的成功应用,使得识别率有了很大的提高。然而基于HMM的语音识别系统用于训练环境和测试环境失配时,由于卷积噪声和背景噪声的影响,使得测试语音特征参数分布特点不同于模型所描述的特征参数的分布,从而会造成识别效果的严重下降。因此改善语音识别系统在不同环境下的识别性能,即提高识别系统的鲁棒性,已成为当前语音识别研究的重点和热点。首先从语音受污染的机理以及统计建模的角度分析、阐述了环境失配造成识别性能下降的原因。其次,介绍分析了目前改善系统鲁棒性的常用方法。通常,因为训练和测试条件的不匹配而造成的系统性能下降,可通过对具体的使用环境进行重新训练来加以补偿。虽然这种方法也可以解决环境不匹配的问题,但是在实际应用中,由现场采集大量的训练数据比较困难,所以,这种重新训练的方法应用范围非常有限。为了改进语音识别系统在噪声环境下的识别性能,很多研究者做了大量的工作,提出了很多有效地方法。如:语音增强、参数补偿以及模型补偿等等。这些方法都对系统鲁棒性有一定的提高,但在实际使用过程中也都存在一定的局限性。最后,基于人耳听觉感知机理,提取了一种鲁棒性更好的特征参数。如果能够提取一种受噪声影响更小的特征参数,也可以有效地改善系统性能。我们知道人耳在噪声环境中也能够很好的工作,由此可见,人类对语音感知和识别的能力及其噪声鲁棒性强于迄今为止的任何自动语音识别系统。所以如果将人类听觉感知语音信息的机理应用于语音识别中,就有可能会提高语音识别率。ZCPA特征参数就是基于此而提出的一种特征参数,该参数模拟人类耳蜗中神经放电的方式,通过语音信号过零点获得频率信息,检测振幅峰值以及对其进行非线性压缩获得强度信息,并将此特征参数与HMM结合应用到口令识别系统中,实验结果可以证明ZCPA与MFCC相比较在噪声环境下具有更好的鲁棒性。