语音作为日常交流的重要方式,在人类发展历程中占有无可替代的地位。21世纪后,神经网络的重新提出和互联网的快速发展将语音识别技术推进到一个新的阶段。由于模式识别的进步,语音识别作为人机交互的重要组成是当前研究的热点。在语音的特征提取、声学模型识别和解码三个步骤中,特征提取作为语音识别的第一步尤其重要,随着深度学习在语音识别领域的成功应用,使用神经网络的深度结构可以实现对语音数据的复杂函数计算和高维学习,提取出比浅层结构分类效果更好的音素特征。近年来,大量的研究人员提出了多种利用神经网络的深层结构来提高语音特征识别率的方法,尽管在一定程度上取得了较好的效果,但是语音识别的研究技术仍存在进步的空间。本文为降低语音特征的识别错误率,首先,从语音信号中提取传统特征,然后对传统的特征进行音素提取;其次,建立新的串联系统模型,通过相关状态的共享结构来减少计算复杂度,同时充分利用深度学习框架中生成性网络的映射方式和学习能力,进行特征参数的提取;最后,经过声学模型的学习识别与解码后得到音素识别错误率,并以此为指标判断模型的效果。本文主要的研究内容如下:(1)子空间高斯混合模型在状态空间共享同一结构的情况下,可以通过改变全参数空间的均值与权重来减小计算规模,然后从向量空间到参数空间进行全局映射,通过两步E-M算法对维特比状态下的基线和数据作对齐训练,并且在相对独立的空间中适应每个语音状态,从而获得训练后的语音音素特征。利用在开源平台上的TIMIT语音库进行传统特征提取,考虑到提取过程中信号的鲁棒性,在输入模型前对传统特征先进行相关的降维处理。通过实验可以看出,子空间高斯混合模型对训练后的语音音素特征识别效果优于未经过训练的传统特征。(2)建立子空间高斯混合和深度神经网络的串联系统提取音素特征,将传统特征先进行降维分析后作为串联系统的输入量,输入到第一级的子空间高斯混合模型中;然后通过空间共享和减少待估计值的参数规模获得区分训练后的输出特征,并将这一输出特征作为第二个模型的输入特征,在深度神经网络中做非监督训练,通过反向传播算法对模型的参数修正后得到深度特征;最后对其进行声学模型识别及解码。在开源平台上的TIMIT语音库中进行上述实验,对比音素识别错误率,可以看出串联系统提取的特征效果明显好于传统特征。