目前,机器在人们的生产与生活中扮演着重要的角色,因此改善人和机器之间的关系,使机器能够更好的为人类服务变的越来越重要。支持向量机是一种机器分类机,是机器学习的新算法。标准的SVM作为机器学习的一种常用方法,其参数的选则与机器的学习能力息息相关且影响颇大,但现有研究中对SVM参数的选择仍无统一的方法。因此,对支持向量机中参数的选择进行研究具有很大的意义。支持向量机中核函数的类型、核参数的选取直接影响着基于支持向量机的语音识别系统的识别效果。然而,到目前为止,支持向量机的核函数、核参数及惩罚因子的选择还没有科学的方法,它们的选择只能根据经验、大量的反复实验进行对比等方法来进行选择,带有很大的局限性。为了验证支持向量机在语音识别系统中的识别效果,本文分别构建了基于线性核支持向量机、径向基核支持向量机、三阶多项式核支持向量机以及Sigmoid核支持向量机的非特定人孤立词语音识别系统,并进行了大量的仿真实验。实验结果表明,前三种支持向量机应用于语音识别系统中均取得了比较好的识别效果,且训练时间较短；而Sigmoid核支持向量机应用于语音识别系统中却得到了不尽如人意的识别结果。因此,核函数的不同直接影响着支持向量机的分类性能,从而影响了语音识别系统的识别效果。为了研究在核函数确定的情况下,核参数的取值对支持向量机推广性能的影响,以及避免标准C-SVM中参数难以选择的问题,本文做了进一步的研究,实现了在核函数类型确定的前提下,用粒子群优化算法对v-SVM中参数进行优化,并用基于优选参数值的支持向量机进行语音识别实验,实验证明粒子群算法可以用于优化v-SVM,且可获得良好的识别结果。