随着智能设备等便携式终端的大规模普及,声音作为人机交互的关键手段的重要性日渐增长。关键词检测作为这类人机交互的唤醒方法十分合适,而这类声音的检测到目前为止仍是需要较为复杂的架构所实现。首先缺少针对不同距离说话人的声音关键词检测方法。其次由于声音关键词检测算法需要长期打开,所以实现高准确率的低复杂度的算法就成为了问题。此外虽然在指定关键词检测方向上取得了较高的准确率,但缺少让用户可以个性化自己的算法的自定义关键词功能。针对上述问题,本文进行了声音关键词检测算法的研究。首先本文对国内外相关研究现状进行了调研,对当前的声音关键词检测系统进行了分析和历史梳理,根据现状总结了当前系统所面临的问题并对全文结构进行了介绍。在介绍了算法基础后,针对问题提出本文的创新方向。第一,为了解决不同距离说话人声音的检测以及提高算法鲁棒性的问题,本文提出了新型的特征提取方法,在减少运算量的情况下保持甚至提高了检测准确率,并且在不同距离下取得了一致的准确率。第二,针对神经网络高复杂度的问题,本文提出了将深度可分离卷积与传统残差网络结合起来的设计方法。在确保了准确率的基础上,该方法减少了参数量与运算量,使得在性能受限的设备上可以部署。第三,为了实现自定义关键词检测的功能,本文利用改进的三元损失函数来学习声音关键词的特征表达,结合K最近邻法实现这一特征表达的分类,从而完成自定义关键词检测。通过这一优化方案实现了支持自定义关键词检测的高准确率低复杂度的算法。然后详细阐述了分别在PC平台与STM32平台上整个关键词检测系统的部署。并对其中的设置和模块功能进行了介绍,构建了一个包含自定义关键词的12分类声音关键词检测系统。最后基于res15的基线系统,对提出的算法进行测试。并利用本文提出的基于log-Mel频谱的DS＿res15＿KNN方案取得了97.04%的预定义关键词检测准确率和接近90%的自定义关键词准确率。该方案有较低的复杂度和较高的准确率,可以为智能设备部署边缘离线式声音关键词检测系统提供支撑。