近年来,随着人工智能的兴起,人机交互技术开始被各行各业重视起来,而作为人机交互中关键技术的语音识别也再度进入了人们的视野。论文作者在实习单位的实习工作中发现,目前公司使用的基于深度神经网络(Deep Neural Network,DNN)语音识别系统中声学模型存在对上下文信息的捕捉能力弱、声学特征信息缺失、训练前需要进行标签对齐操作等问题,这些问题阻碍了系统识别性能的进一步提升。针对这些问题,本文基于卷积神经网络(Convolutional Neural Network,CNN)对声学模型的构建进行了研究,并通过实验对网络参数进行了优化,本文的主要工作和创新点有:1.构建了基于短时时-频谱的CNN-HMM声学模型。使用CNN代替DNN-HMM声学模型中的DNN构成CNN-HMM声学模型,将语音信号转化为短时时-频谱作为声学模型的输入进行训练,并在完成训练后与以Fbank声学特征作为输入的CNN-HMM声学模型及DNN-HMM声学模型进行了识别性能对比。结果显示:基于短时时-频谱的CNN-HMM声学模型识别性能要优于DNN-HMM声学模型;在都使用CNN-HMM声学模型的情况下,以短时时-频谱作为输入时的识别效果也优于以Fbank特征作为输入时的识别效果。2.通过实验分析了卷积层层数及卷积核尺寸对基于短时时-频谱的CNN-HMM声学模型识别性能的影响。分别构建2卷积层、3卷积层和4卷积层的CNN-HMM声学模型,均使用短时时-频谱作为模型输入进行训练,并在完成训练后进行了识别性能对比;通过对基于短时时-频谱的CNN-HMM声学模型卷积核尺寸进行调整,在相同网络结构下分别对2×2、3×3以及4×4卷积核尺寸的声学模型进行训练,并在完成训练后进行了识别性能对比。测试结果显示:卷积层层数以及卷积核尺寸的增加能够提升该声学模型的识别性能。3.将在时序分类任务上表现良好的连结时序分类(connectionist temporal classification,CTC)与CNN网络进行结合,构建了CNN-CTC声学模型,该模型能够以完整语音作为输入,避免了传统声学模型训练前必须进行的标签对齐操作,可简化模型训练的流程。测试结果显示:在两种不同类型输入的情况下,与CNN-HMM声学模型相比,CNN-CTC声学模型在简化训练流程的同时还拥有更好的识别性能,并且其解码速度也较CNN-HMM声学模型有了一定程度的提升。