随着人工智能的迅猛发展和人机交互需求的不断增大,智能语音技术获得了前所未有突破。语音领域的研究成果,不仅推动了前沿科技的进步,更创造了巨大的市场价值,意义重大。语音唤醒是智能语音领域的重要研究方向,它的任务是在连续的语音流中,将一组给定的唤醒词检测识别出来。针对有登记语音的语音唤醒任务,本文建立了基于深度超向量的语音唤醒系统用以满足该唤醒需求。针对固定唤醒词的任务,本文重点研究了端到端(End-to-End,E2E)技术,并实现了基于端到端的语音唤醒系统。另外,还通过各种深度学习模型的应用,优化了系统参数配置,提升了的系统性能。本文工作主要包含以下三个部分:1、全面地梳理了语音识别的发展历史主线,对语音唤醒和端到端技术的前人工作、研究现状和最新进展进行了充分而详实的调研。2、针对有登记语音的语音唤醒任务,建立了基于深度超向量的语音唤醒系统。该系统使用深度神经网络(Deep Neural Network,DNN)作为一个特征提取器,提取语音的深度超向量,最后计算测试语音和模板的深度超向量之间余弦相似度。实验结果证明基于深度超向量的系统相比基于分段动态时间规整(Segmental DTW,S-DTW)的系统具有全面的性能优势。3、本文实现了基于端到端的语音唤醒系统。该系统只需要一个预先训练好神经网络作为声学模型,输入声学特征后,通过神经网络的前向传播算法和后验概率后处理模块,就可以相应输出唤醒词的置信度得分,在这个过程中不需要复杂的解码过程,实现了端到端框架。并且,本文将TDNN、LSTM、GRU和TDNN-F在内的多种深度学习模型作为声学模型引入系统,通过多组实验,对比了各个模型的系统性能,验证了本文的端到端唤醒系统的有效性。