近些年国内及国际航班数量一直在增加,这对于民航发展是一个机遇,但是对于民航安全是一个挑战。民航陆空通话对于民航安全十分重要,是空中交通管制员与飞行员之间传递指令的主要载体。在陆空通话过程中,由于通话双方疲劳、口音差异等原因造成指令错误理解时有发生。利用语音识别技术,将陆空语音转化为文字,对辅助飞行员正确理解空管指令,减少管制员工作量具有重要意义。因此本文针对陆空通话语音的识别问题,对陆空语音识别深度网络模型展开了研究,主要工作如下:第一,在陆空通话声学模型构建中,利用深度神经(Deep Neural Networks,DNN)网络,卷积神经(Convolutional Neural Networks,CNN)网络,长短时记忆(Long Short-Term Memory,LSTM)网络,双向长短时记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络结合隐马尔可夫(Hidden Markov Moedl,HMM)进行陆空语音声学建模,研究了不同神经网络对陆空通话声学模型的影响;为提升陆空通话声学模型性能,在训练中加入区分性训练方法进行模型优化训练。实验结果表明,基于BiLSTM-HMM模型的陆空通话语音识别结果最优,区分性训练可以有效提升声学模型性能,但是基于HMM的陆空通话声学模型训练存在训练过程复杂的问题。第二,针对陆空通话语音识别任务中HMM模型存在的不足,选取双向长短时记忆-时序链式连接(Connectionist Temporal Classification,CTC)模型对陆空通话语音进行端到端声学建模。同时在声学建模中,基于有限的实验数据集,加入数据增强方法和迁移学习的训练方法,进行BiLSTM-CTC模型训练。实验结果表明,使用BiLSTM-CTC进行陆空通话语音识别比HMM混合模型便利,数据增强能有效降低语音识别错误率,使用迁移学习训练方法能构建适用于陆空通话语音识别的声学模型,且能有效地提升模型性能。