低信噪比环境下的语音识别技术是目前国内外一个重点研究课题,也是目前语音识别领域的研究热点和难点,具有及其重要的理论和实际意义。本文从研究语音信号处理的一些基础理论入手,重点研究语音信号减噪增强、语音信号起止端点的检测、特征参数的提取以及语音训练识别的方法。本文拟在学习和研究语音识别系统的基础上,对现有的主要算法针对抗噪性能方面进行深入研究,探讨新的抗噪语音识别算法。针对低信噪比环境下传统谱减法容易使语音波形失真以及引入新的噪音等问题,通过深入分析经验模式分解(EMD)和多窗谱估计等算法的原理,结合它们各自优点提出一种基于EMD的改进多窗谱估计谱减语音增强算法。该算法首先用EMD法将含噪语音分解到不同频段,然后对不同频段的含噪本征模式分量(IMF)进行多窗谱估计谱减降噪,接着对处理后的IMF进行EMD重构,得到语音减噪后的信号。通过实验验证,此方法能有效消除语音背景噪声和“音乐”噪声,保持了较高的语音质量。在分析语音端点特性的基础上,重点研究了基于倒谱距离的端点检测方法,并就其原理深入研究了一种新的基于LPCC与MFCC倒谱距离的自适应动态门限阈值法的端点检测算法。该算法首先分析LPCC倒谱距离端点检测方法的优势及MFCC倒谱距离方法应用于端点检测的可行性及科学依据,然后对比各自算法的优缺点提出结合MFCC与LPCC方法的倒谱参数的提取算法,再结合改进的自适应动态门限阈值法改进端点检测算法。通过实验验证,该算法在对人声端点的检测上,检测精度可达98%以上,在低信噪比环境下,结合文章中减噪算法检测效果会更加良好。分析隐马尔科夫模型的基本原理及其三个重要算法:前向-后向(F-B)算法、Baum-Welch算法、维特比(Viterbi)算法,并对其出现的有效状态数和数据溢出等问题提出了有效的解决方案。并在MATLAB平台上搭建了一套基于HMM模型的语音识别系统,详细对比分析了改进前后的算法对识别系统性能的影响。