在基于HMM的连续语音识别中考虑上下文环境的影响,需要做模型基元扩展,模型数目大大增加；为了提高模型的描述精度,模型的每一个状态都由多个高斯分量来描述,所以高斯分量数目多、声学模型空间规模大,存储声学模型所需的内存很大,而且解码过程中为得到状态似然值所需的计算量也非常大,实时性比较差,为了克服这两方而的问题论文研究了声学模型压缩技术,以期找到较好的方法减少存储量的开销并提高解码速度。高斯分量共享和高斯选择两类模型压缩方法成为论文的研究重点。1.研究了高斯分量共享算法,包括传统的高斯分量共享和高斯分量子空间共享,并进行了对比实验。论文重点研究了传统的高斯分量共享算法和高斯分量子空间共享算法,对于传统的高斯分量共享算法,论文从聚类算法和距离测度准则等方面最了研究,优秀的聚类算法和距离测度准则能获得更好的压缩效果；对于高斯分量子空间共享算法,论文从子空间的划分、码本数量等方而做了研究,其中子空间的划分和码本数量对于子空间聚类算法的效果有很大的影响。2.提出了一种改进的基于单音素状态的高斯选择算法。论文重点研究了标准高斯选择算法、标准高斯选择算法的优缺点、传统的改进高斯选择算法以及这些算法的一些不足,为了弥补这些传统改进高斯选择算法的不足之处,论文提出了一种改进的高斯选择算法,经过试验验证,这种改进的高斯选择算法基本解决了高斯选择“状态受限”的缺点,取得了识别率与实时性的一个较好折中。3.提出了一种基于分量共享的高斯选择算法。传统的高斯选择算法只考虑了计算量的减少,并没有考虑内存的开销,因此在资源受限的系统中,高斯选择算法不能发挥很好的效果,为此,论文把高斯分量共享和高斯选择两种思想融合,达到了既能缩减内存开销又能减少计算量的目的。