语音识别是一种让计算机能听懂人说话，将人说的话转换成相应文字内容的技术，它提供了更加方便的人机交互方式，可以大大提高人们的效率，有着巨大的理论意义和实用价值。　　随着近代计算机技术的飞速发展，孤立词语音识别系统已经取得了较高的识别准确率，非特定人、大词表、连续语音识别技术成为当前的研究热点。针对隐马尔可夫模型的不足，本论文研究了条件随机场和隐条件随机场模型，构建了连续语音识别中基于隐条件随机场的声学模型，并在此基础上加入了N-gram语言模型约束。　　语音识别系统通常由声学模型和语言模型两部分组成，分别对应于语音信号到音节概率的计算和音节到字或词概率的计算。尽管基于隐马尔可夫框架的语音识别技术对现代语音识别做出了巨大的贡献，但隐马尔可夫模型本身存在着一些固有的局限性：一阶假设、独立性假设、训练准则导致声学模型之间可分离度差等，这些局限性限制了经典隐马尔可夫模型在语音识别系统中的实际应用。隐条件随机场模型作为一种统计和规则相结合的模型，允许特征非独立，允许增加各种不同形式的特征，并且有效地解决了标注偏置问题，能够很好地弥补隐马尔可夫模型的上述缺陷。此外，相对于条件随机场，其在结构上的调整能更好地描述语音信号的时变性，因此本文首次建立了基于隐条件随机场的汉语全音节声学模型，并通过实验对比了其与隐马尔可夫、条件随机场的识别性能。　　语言模型主要分为基于规则的语言模型和基于统计的语言模型。其中，N-gram简单有效，被广泛使用。本文构建了Bigram和Trigram语言模型，并结合声学模型实现了一个汉语连续语音识别系统。