本文针对语音识别中非齐次HMM模型的研究还是一个难题的情况，对语音段长模型中具有代表性的VDHMM模型、ESHMM模型、SM模型和DDBHMM等模型进行了深入的探讨。通过论述DDBHMM理论框架模型，重点研究了非齐次HMM模型的段长等效表示方法。 在非齐次的HMM模型中，状态转移是一个有后效的过程，用于齐次HMM模型训练和识别的Baum-Welch算法不再适用，必须寻找新的非齐次HMM模型的训练算法。本文针对DDBHMM模型的特点，使用状态段长分布来表示非齐次Markov模型，提出了新的Forward-Backward快速算法，并构造出了DDBHMM模型的最大似然训练和识别算法，进一步充实了DDBHMM模型理论和算法框架。最大似然训练和识别算法，能够在似然函数统计意义上利用所有的信息，是这种统计意义上的最佳训练和识别方法。文中提出的DDBHMM模型最大似然训练和识别算法，在实现过程中无需假设语音特征帧间独立，可以在DDBHMM模型中充分地利用语音的段长信息和特征的时间相关性信息，能显著地提高语音识别系统的性能。 本文将所提出的DDBHMM模型训练和识别算法应用于在语音识别系统中，进行了语音段长信息和特征时间相关性应用的研究。在仅增加使用段长信息的条件下，非特定人孤立字语音识别正确率达到90.54％，较经典HMM模型的正确率提高了0.71％，错误率下降了6.9％。在非特定人连续语音识别中，声学层的语音识别错误率较经典的HMM模型下降了17.4％。在DDBHMM模型中使用了线性预测器来描述语音特征的帧间相关性后，更可以使误识率下降了41.1％。实验结果表明了模型和算法的有效性。