关键词检出是语音识别研究中的一个重要领域,其目的是从连续语音中检测出并确认给定的若干个特定关键词。跟关键词检出相比,目前连续语音识别有资源耗费大,速度慢,抗噪能力不强等缺点,这是连续语音识别短期内难以突破的问题所在。而关键词检出允许在嘈杂的环境中使用,因此在当前技术水平下,许多应用领域不适合连续语音识别,而要求关键词检出,这一课题的研究如能取得突破性进展,则将大大有助于拓宽语音识别系统的应用领域。由于本论文在关键词检出方面的研究刚刚起步,且非特定人大词汇量关键词检出系统需要建立词典,涉及到很多语言学知识,并且需要大型语料库,因此本论文主要研究了汉语小词汇量非特定人关键词检出算法,结合汉语语音的特点,提出了一种新的关键词检出算法:在语音信号预处理阶段,首先对信号进行小波变换,然后引入Teager能量算子,将连续语音信号切分成音节;选用Mel倒谱系数(MFCC)作为语音信号的特征参数;采用连续隐马尔可夫模型对关键词和非关键词建模;在搜索识别阶段,以词(双音节)为搜索单位,采用Viterbi算法进行词内解码,大大减少了搜索空间,提高了搜索效率,降低了算法复杂度;在关键词确认阶段,采用似然比检验的值作为置信度,实现了无语法限制的基于识别—确认两级结构的关键词检出。本文用Matlab 7.0软件作为编程和测试平台,用Adobe Audition1.5在实验室环境下录制语音信号,建立小型语料库进行离线训练和在线识别。实验结果表明,本论文提出的算法具有有效性及可行性,适用于汉语非特定人小词汇量关键词检出系统。