语音识别技术是机器学习的重要内容之一,涉及信息处理、人工智能和模式识别等多个学科内容,已经在社会生活中得到广泛的应用。语音识别是让机器听懂人的语言,理解人的意图,并对其做出相应的反应,实现人与机器的交互通信。本文基于隐马尔可夫模型(Hidden Markov Model),建立了一套语音识别仿真系统。本文首先分析语音信号的预处理过程,提出采用双门限法,即将短时能量和短时过零率相结合,对语音信号进行端点检测。相对于单一方法的端点检测方法能得到更精确的语音段,为语音信号的后续处理奠定了基础。接着详细阐述了两种特征参数提取方法,包括线性预测倒谱系数(LPCC)和Mel倒谱系数(MFCC),并分析了MFCC的一阶差分系数,得出结合一阶差分后的倒谱参数,可将语音识别率提高4%左右。最后,本文着重研究了基于HMM的语音识别算法,在Matlab平台上实现了一个较为完整的语音识别仿真过程,包含语音库的建立、预处理、特征参数提取、训练(即参数选择)、识别等过程。本论文建立了一个由10个人的录音组成的语音数据库,由汉语数字0-9、“郑”、“州”、“大”、“学”共14个样本组成,总共700个发音,为论文提供仿真实验数据。对HMM在实际中的应用做了优化处理,包括初始模型选取、Viterbi算法的对数处理以及参数重估问题。通过分析实验结果,得出CHMM状态数为4,训练次数为20次,特征参数选取48维LPCC和MFCC的混合参数,可使语音识别系统对于汉语孤立词的识别率达到90%。在试验过程中本文还分析了由于汉语发音的复杂性和特殊性而引起的有些样本元素的误识问题,并提出了待解决方案。