随着人工智能的快速发展,智能语音交互技术迅速普及并应用于智能家居领域。冰箱作为居家生活中不可或缺的家电之一,也逐渐步入智能化的行列。智能语音交互技术可以将使用者的自然语音作为输入,通过理解与分析返回满足用户需求的智能答案,给用户更加人性化的交互体验。语音识别作为智能语音交互系统的输入端,可以完成语音信号到文本序列的转化,在智能语音交互系统起到了重要的作用。因此,本文在智能冰箱的场景下,以语音识别技术和语音交互服务器为研究对象,进行的工作内容如下:（1）连接时序分类（Connectionist Temporal Classification,CTC）方法是语音识别中主流的方法,通常与长短时记忆网络（Long Short Term Memory,LSTM）模型构成LSTM-CTC声学模型。但是,由于LSTM模型计算成本高,使得CTC模型难以得到充分的训练。针对该问题,本文提出将深度前馈序列记忆网络（Deep Feedforword Sequential Memory Nerworks,DFSMN）与CTC模型相结合的方法进行识别模型的训练,减少了声学模型的参数,降低了模型的训练难度。并通过对DFSMN模型中存储单元结构以及存储单元之间的连接方式进行改进,使得模型结构进一步的优化,提高了模型的性能。（2）针对梅尔频率倒谱系数特征（Mel Frequency Cepstrum Coefficient,MFCC）在深度模型中存在语音信息表征能力弱的问题,本文在对数梅尔滤波组（Log Mel Filter-bank,Fbank）特征提取方法的基础上,提出了利用卷积神经网络（Convolutional Neural Networks,CNN）对声学特征进行二次提取的改进方法,并结合上文提出的声学模型进行语音识别实验。在Aidatatang数据集上,改进的CNN-DFSMN-CTC模型比DFSMN-CTC模型的字错误率（Character Error Rate,CER）降低了6.19%。通过分析实验结果可知,本文提出的语音特征二次提取的方法能够更好对语音信息进行表征,验证了该方法的可行性。（3）针对当前的语音交互系统对IPv6网络环境支持不足的问题,本文通过IPv6网络协议与部署在云服务器上的语音交互系统实现线上互动;并通过epoll通信模型+线程池技术来解决服务器响应延迟问题;针对数据传输过程中存在的安全性问题,本文使用安全套接字协议（Secure Sockets Layer,SSL）,通过提供加密的传输方式,保护了用户数据的安全。综上所述,本文基于智能冰箱的应用场景,以语音交互系统为探究方向。从语音识别模型、语音特征的提取以及高性能交互服务器等方面对语音交互系统进行深入剖析,提出了一种改进的语音识别模型CNN-DFSMN-CTC,并在此基础上设计了一款具有较高性能、数据安全的、并同时兼顾IPv4/IPv6网络的智能语音交互系统。为促进IPv6环境下语音交互云服务的发展做出贡献。