语音识别是语音信号处理的一个重要方面,是人机交互技术的基础,有着广阔的应用前景。语音识别是典型的多类分类问题,因此,善于解决高维分类问题的支持向量机很快被应用到语音识别中。支持向量机是在统计学习理论基础上发展起来的一种性能优良的学习机器。目前存在的问题是支持向量机的执行效果依赖于其参数的设置,但到目前为止还没有一个固定的理论来指导如何寻找其参数。本文分析了支持向量机模型中各个参数对模型的影响,并选用人工鱼群算法对模型中的参数进行了优化,形成了基于人工鱼群算法的支持向量机参数优化方法。本文首先系统地介绍了支持向量机的基本原理以及目前已存在的支持向量机的种类,分析了模型中参数对其性能的影响,并采用人工鱼群算法优化支持向量机参数。为了验证基于人工鱼群算法的支持向量机在语音识别系统中的识别效果,本文构建了基于径向基核支持向量机的非特定人孤立词语音识别系统,并进行了大量的仿真实验。实验结果表明,基于基本人工鱼群算法的支持向量机应用于语音识别系统中均取得了优于隐马尔柯夫模型的识别结果。其次,为了提高所构建模型的识别效果,本文对人工鱼群算法进行了深入的研究,对其进行改进,引入小生境技术,用来维持算法中样本数据的多样性。同时,利用常用测试函数对改进算法进行测试,取得了满意的结果。本文构建了基于径向基核支持向量机的非特定人孤立词语音识别系统进行实验。实验结果表明,基于改进人工鱼群算法优化的支持向量机参数的语音识别系统的识别效果较理想,从而说明核参数和惩罚因子的不同取值也会影响支持向量机的推广性能,从而影响语音识别系统的识别效果。核函数的类型、核参数以及惩罚因子的选取直接影响着支持向量机语音识别系统的识别效果。然而,到目前为止,支持向量机的核函数、核参数及惩罚因子的选择还没有科学的方法,它们的选择只能根据经验、大量的反复实验进行对比等方法来进行选择,带有很大的局限性。针对这个问题,本文做了初步的研究,实现了在核函数类型确定的前提下,用人工鱼群算法对核参数和惩罚因子进行优化,并用基于优选参数值的支持向量机进行语音识别实验,识别率得到了一定的改善和提高。