由于人耳对声音的接受能力很强,所以基于听觉特性的语音特征最能反映声音的本质,具有好的鲁棒性。因此,基于听觉特性的语音特征提取方法在语音识别领域中日益受到重视。本文首先在噪声环境下,对基于听觉特性的PLP(Perceptual Linear Predictive,感觉加权线性预测)特征参数和RASTA(RelAtive SpecTrA)-PLP特征参数的提取算法进行了研究。PLP特征参数在临界频带分析处理、等响度曲线预加重和强度响度转换上模拟了人耳的听觉特性,是全极点模型的一组系数。RASTA滤波器等效于一种IIR滤波器,它的高通部分可以抑制平稳的非语言学背景,低通部分则有助于平滑帧与帧之间的快速变化。将RASTA滤波技术应用于PLP特征参数的提取中,提高了参数的识别率,取得了好的实验结果。其次,本文使用半升正弦函数倒谱提升技术、差分技术、倒谱提升和差分的联合技术以及差分和倒谱均值减的联合技术来改进RASTA-PLP特征参数。半升正弦函数(Half Raised-Sine Function,HRSF)倒谱提升技术可以降低易受噪声干扰的低阶分量值,同时提高数值相对小的中高阶分量值。差分技术可以体现语音特征参数的动态特征。倒谱均值减(Ceptral Mean Subtraction,CMS)技术可以减少通道噪声。实验结果表明,改进后特征参数的识别结果优于原始特征参数的识别结果。最后,本文将语音增强中的谱减法和维纳滤波技术应用于改进后的RASTA-PLP特征参数中。特征参数在提取时,将语音短时功率谱经过谱减和维纳滤波来减少加性噪声,从而提高特征参数的鲁棒性。谱减法基本思想是在假定加性噪声和短时平稳的语音信号相互独立的条件下,从带噪语音的功率谱中减去噪声功率谱,从而得到较为纯净的语音。维纳滤波根据平稳随机信号的全部过去和当前的观察数据来估计信号的当前值,在最小均方误差的条件下得到系统的传递函数,是一种最优线性滤波方法。实验结果表明,改进后的参数具有较高的识别率。