随着计算机技术的发展,人工智能领域成为研究的热点,具有广阔的发展前景。语音识别技术是人工智能的前沿技术之一,目的是使计算机能够听懂人类语言,实现人机语音通信,使计算机操作更加自然、方便。支持向量机是一种新兴的模式识别方法,可以较理想地解决小样本、非线性、高维数和局部极小点等实际问题,比隐马尔可夫模型、人工神经网络等方法具有更好的泛化能力和分类精确性,非常适合用于语音识别。支持向量机的显著特点是通过引入核函数技术,把低维空间的输入数据通过非线性变换映射到高维特征空间。描述支持向量机仅需要确定的核函数和训练集即可。支持向量机分类器性能的质量高低,核函数的选择以及核参数的取值起着至关重要的作用。本文首先通过理论和实验分析,研究了不同核函数以及不同核参数对语音识别结果的影响。确定了Gaussian核函数在语音识别系统中能够获得最佳识别结果,并且对Gaussian核的参数以及支持向量机的惩罚参数进行了实验选取。然后在对Gaussian核特性进行分析的基础上,在语音识别系统中分别应用了两种Gaussian核的改进形式：UKF核函数和修正的Gaussian核函数。小波变换可以建立信号的多分辨分析,这使经过小波变换后的信号分量间的相关性降低,且其自相关矩阵呈现特殊的稀疏带状分布。本文将小波技术与支持向量机核函数结合,构造了Morlet小波核函数和Mexico小波核函数,并应用于语音识别系统中。实验结果表明,UKF核函数、修正的Gaussian核函数以及Mexico小波核函数支持向量机取得了比Gaussian核函数支持向量机更优秀的识别结果,并且没有显著增加算法的空间复杂度和时间复杂度。