自动语音识别是将语音序列转换为文本序列,是实现人机交互的关键技术。当前,随着人工智能的发展,汉语、英语、日语等主流语言的研究以及语音识别技术已经很成熟。但藏语作为一种少数民族语言,没有大规模的语料库,语言学研究基础薄弱,导致藏语语音识别技术比较落后,实际应用较少。针对藏语语音识别中存在的问题,本文设计并建立了藏语发音词典、语料库、语言模型,重点对藏语语音声学特征的提取以及语音识别模型的构建进行研究。本文的主要工作和创新点如下:1.设计并建立藏语发音词典、语音识别语料库和语言模型。通过对藏语语言学知识以及藏语音节特点的分析,以藏语拼音的声母和韵母作为识别基元来构建藏语卫藏方言语料库,并建立了藏语发音词典和藏语语言模型。建立的语料库包含18000条数据,总时长达11.26小时,共有说话人20位,其中男性说话人8人,女性说话人12人,发音词典包含16398个词。2.构建混合架构的藏语语音识别模型。提取藏语语音梅尔频率倒谱系数构建隐马尔科夫模型（Hidden Markov Model,HMM）、深度神经网络（Deep Neural Network,DNN）、卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆网络（Long Short-term Memory,LSTM）的藏语语音识别模型,并进行实验验证。结果表明,GMM-HMM、DNN-HMM,CNN-HMM,LSTM-HMM四种模型在相同实验环境下,词错误率分别为35.58%,33.38%,31.61%,25.35%,并以此作为基线模型,与下文建立的基于语谱特征的端到端藏语语音识别模型识别效果进行对比。3.建立基于语谱特征的端到端藏语语音识别模型,并通过数据增强提升模型的识别率和泛化性能。通过快速傅里叶变换将语音转换为语谱图,并使用该特征训练端到端模型。在同样的实验环境下,该模型的词错误率达到34.72%,优于GMM-HMM模型。针对端到端模型在小语料库中识别率低的问题,本文通过加噪对数据进行增强,实验表明,数据增强后模型的词错误率降低6.19%,模型的性能优于DNN-HMM、CNN-HMM模型,且在自然环境中具有更强的泛化性。同时,本文的研究结果优于实验室前人的研究结果。