随着信息化时代的来临,隐马尔可夫模型(HMM)被广泛应用在语音识别领域,并已成为该领域最受关注最有效的建模方法之一。随着人们对智能化要求越来越高,基于HMM的语音识别技术也在不断改进,尤其在噪声环境下,原识别系统与现实语音无法高度匹配,这使得系统识别率大幅降低。因此本文将基于HMM的连续情形(CHMM)下,研究语音识别系统的可靠性和抗噪能力。本文首先基于最大互信息(MMI)训练准则对CHMM进行改进,初步提高系统的识别率。之后在信号空间研究白噪声背景下,提出基于线性预测隐马尔可夫模型(LPHMM),利用Gaussian有色噪声白化方法(GCNW)和最小均方误差估计(MMSE)得到一种语音增强方法(LWM),比较其与经典语音增强算法谱减法(SS)的抗噪效果;在特征空间,基于特征参数梅尔频率倒谱系数(MFCC),通过加权对其实现优化,结合时域特征短时能量(En)和短时平均过零率(ZCR)得到一种特征参数提取方法(MFFEZ);在模型空间,基于对加性噪声和信道函数联合补偿的模型补偿方法(MACA),结合MFFEZ特征提取,得到MFFEZ-MCAC模型,并比较噪声环境下其与MACA模型的识别率。最后利用Matlab进行实验模拟,研究表明当语音信号中混杂白噪声时,LWM法抗噪效果优于谱减法;MFFEZ-MCAC模型在混噪语音识别中识别率高于MCAC模型。