当前,语音识别得到了广泛的研究和应用,将神经网络应用于声学模型能取得更佳的系统性能。但是,在实际应用中,硬件能提供的计算能力和存储能力有限。因此,在保证语音识别系统性能的同时,如何使其适配小存储、低算力的硬件设备成为需要研究和解决的问题。为此,本文研究了两种轻量化神经网络,将其应用于声学模型,搭建并优化了适配机器人硬件设备的语音识别系统。首先,将稀疏性神经网络应用于语音识别声学模型。提出了步进裁剪方法,该方法通过特定的评价指标判定神经网络中神经元作用的大小,通过修剪、重新训练的方法得到轻量化神经网络。在华尔街日报语音数据集上验证了该方法,在系统性能仅略微降低的情况下,使声学模型大小从77M减小到21M,大大减小了语音识别系统所需的存储和算力。其次,研究了结构增长型轻量化神经网络。与稀疏性神经网络的思路相反,结构增长型神经网络通过逐渐增长小型神经网络结构的方法来控制神经网络的大小和性能。针对语音识别的实际应用场景,在Ada Boost算法的理论基础上,提出了一种新的Con Boost结构增长型轻量化神经网络。在华尔街日报语音数据集上验证了该方法,结果表明Con Boost算法使神经网络以更少的连接数,反而得到了8.2%的性能提升。然后,设计和搭建了适用于机器人上硬件设备的语音识别系统。在上述研究的基础上,针对机器人提供的硬件设备,利用所提的Con Boost结构增长型轻量化神经网络,以及基于Kaldi语音识别工具包,设计和优化了语音识别系统,包括特征处理模块,以及由声学模型、词典及语言模型组合而成的解码器。其中声学模型大小仅为9.9M,满足硬件需求。最后,对全文的研究工作进行了总结,提出了几点值得深入研究的方向。