近年来,在线教育因其便捷性、智能化等诸多优势受到越来越多用户的青睐。依托智能检测工具辅助教学,在线教育可以提供“个性化”的辅导,解决不同用户群体的学习问题。在在线教育领域,智能语音技术发挥着重要作用,如口语评分,课堂语音转写,在线视频自动字幕生成等功能的出现,帮助老师和同学提升教学和学习的效率,让老师和同学更专注于知识学习本身。但是当前端到端语音识别技术仍然存在以下缺点:（1）模型针对长时语音识别的识别能力较差。（2）在噪声、混响等环境下语音识别模型识别率严重下降。（3）存在背景人声时语音识别模型识别错误的情况。论文的主要工作和贡献如下:搭建并研究基于Conformer框架和联合CTC训练的端到端语音识别模型,研究在渐进式下采样,多尺度注意力机制对长时语音识别的影响,多尺度注意力机制将卷积和自注意力机制结合起来,学习更多不同尺度的语音表示,在长语音中有更好的识别效果。经实验表明,本文提出的多尺度注意力Conformer有效地提高模型对于长时语音识别场景的泛化能力。针对噪声环境,我们提出了双路的TFCN语音增强模型,利用递进学习的策略,分别对幅度谱和信号实分量和虚分量进行建模,输出去噪的语音,这种方法不仅利用幅度谱的信息,还通过实虚分量对相位谱进行学习,达到更好的去噪效果,除此以外,其参数量比基于Wave Net,Unet的网络模型参数量要大幅减少。针对背景人声导致语音识别模型错误识别非目标人语音的情况,本文提出孪生TFCN目标说话人提取算法,通过共享音频编码网络将识别语音和注册语音投影到同一特征空间,然后经过多任务学习得到注册语音中说话人特征,并用说话人注意力机制和TFCN网络进行处理,从而消除其他背景人声干扰。经过实验表明,基于时频域的TFCN说话人提取算法在SI-SDR,SDR等失真评价指标上要优于主流Spex模型。综上所述,对于在线教育场景下的语音识别系统可能遇到的长语音,环境噪声,背景人声等复杂情况的识别,本文提出了一种可行,轻量化,鲁棒的语音识别模型组合,有效解决复杂场景下的识别问题。