语音识别是人机交互的基础，是现代社会朝着智能化方向发展的关键技术之一，具有重要的理论研究价值和广泛的应用前景。虽然国内外学者在这方面做了大量的研究工作，但在实用方面的难度仍然比较大，还是有很多问题需要进一步研究。相关向量机是一种基于稀疏贝叶斯模型的机器学习算法，对高维数、非线性的小样本问题具有很好的分类能力和泛化能力。与支持向量机相比，相关向量机的核函数可以不满足Mercer条件，模型更稀疏，而且还可以得到概率型输出。本文主要研究了相关向量机算法，并将相关向量机应用到了语音识别当中。本文首先详细地介绍了语音识别的基本原理，按照语音识别系统的组成结构分析了每一个部分。然后对相关向量机的理论进行了研究，介绍了相关向量机的回归和分类过程。通过实验仿真分析，对相关向量机和支持向量机的分类能力进行了比较，实验表明相关向量机比支持向量机更稀疏，测试速度更快。接着，研究了不同核函数参数对相关向量机分类能力的影响。论文最后在MATLAB平台上进行了仿真实验，主要实现了预处理、端点检测和特征参数提取，然后利用一对多的分类方法进行相关向量机的分类器构造，识别结果与隐马尔可夫模型进行比较，表明了相关向量机应用在语音识别中是可行的，且具有很好的推广能力。