语音识别技术是集声学、语音学、语言学、计算机、信息处理和人工智能等诸领域的一项综合技术,应用需求十分广阔,长期以来一直是人们研究的热点。到目前为止,语音识别研究大部分以线性系统理论为基础,主要应用隐马尔可夫模型(HMM)与动态时间规整(DTW)技术实现语音识别。随着研究的逐步深入,基于线性系统理论的语音识别方法的局限性越来越凸显。近年来,随着人工神经网络(ANN)、混沌、分形等非线性理论研究和应用的日新月异,将这些理论应用于语音识别成为可能。 本文对现有的语音识别技术发展现状进行了分析,介绍了语音识别的基本理论,包括数字语音信号生成的数学模型、预处理、端点检测和特征参数提取。在此基础上,讨论了数字语音识别系统实现的主要技术,重点对HMM模型和自组织神经网络(SOFM)原理及其在语音识别中的应用进行了研究,并且分析比较了它们的识别特性与应用特点,提出了基于CDHMM和SOFM的混合模型原理及算法,该模型由CDHMM产生语音信号的最佳状态序列后,对同一状态应用时间规整网络生成等维的语音特征矢量,并加入到SOFM分类器进行语音识别,HMM-ANN模型既具有HMM对动态时间序列极强的建模能力,又具有ANN极强的静态分类能力。 本文在MATLAB6.5和VC++6.0环境下对HMM模型和HMM-ANN模型的算法进行了孤立数字和连续数字语音识别系统的实验仿真。结果表明,与HMM模型方法相比,HMM-ANN模型提高了语音识别系统的准确率,充分体现出改进模型的可行性和有效性,最后指出了本文研究未来改进的方向。