汉语方言辨识是指计算机对给定的一段语音自动判别语音所属方言种类的一种技术。随着人工智能的发展,汉语方言辨识技术在多语言信息处理系统中的地位越来越重要,尤其是在我国这样一个多民族、多方言的国家。汉语方言辨识的一个核心问题就是特征的提取,而传统的声学特征是语音信号谱特征的参数化表示,常常包含说话人、信道、背景噪声等冗余信息,尤其在对短时语音和高度易混的方言辨识任务中,增加了后端建模的代价,阻碍了方言辨识系统性能的提升。面对上述挑战,如何提取更加鲁棒性的特征来适应汉语方言辨识任务成为当前研究的重点。近年来,随着深度学习理论在机器学习领域中取得突破性的进展,其对信息深层抽取和非线性建模的能力得到了广泛的应用。本文将深度学习引入到特征提取之中,尝试在特征层面抑制冗余信息的影响,增强特征的鲁棒性,提高汉语方言辨识系统的性能。本文完成的主要工作如下:1.首次将基于单一神经网络的深度瓶颈特征应用在汉语方言辨识任务中。该特征通过训练一个以音素状态为目标带有瓶颈层的深度神经网络,完成对多帧传统声学特征的非线性变换,从而得到与音素相关的深度瓶颈特征,使得音素无关的冗余信息得到有效的抑制,解决了传统声学特征鲁棒性不强的问题。2.完整构造了基于深度瓶颈特征的汉语方言辨识系统,通过对比声学特征,验证了深度瓶颈特征的有效性,并在此基础上讨论了深度瓶颈特征的相关参数,分析其影响系统性能的原因。3.在原有单一网络深度瓶颈特征的基础上,提出了基于层次网络的深度瓶颈特征,该特征首先利用第一个深度自动编码器纯化声学特征,再通过第二个深度神经网络来提取层次网络的深度瓶颈特征,起到了强化单一网络深度瓶颈特征去除冗余信息的能力,提高了汉语方言特征的鲁棒性。