1、隨著近年來移動互聯(lián)網(wǎng)的飛速發(fā)展，曾經(jīng)試圖取代計算機物理鍵盤的語音識別技術(shù)如今已經(jīng)被成功的應(yīng)用到各種移動終端上來，并且切切實實的在改變著當下人們的生活方式。然而，從對語音識別技術(shù)的研究開始，針對噪聲環(huán)境下識別系統(tǒng)魯棒性問題一直是人們研究的熱點與難點，同時這也是一直以來限制語音識別技術(shù)普及的極大障礙。
　　 我們知道，在安靜環(huán)境下，目前的語音識別系統(tǒng)均可以達到相當理想的識別準確率，然而，生活中無處不在的環(huán)境噪聲以及信道卷積噪聲等導致

2、語音識別系統(tǒng)的性能急速下降。這主要是由于在噪聲環(huán)境下，識別系統(tǒng)的輸入語音信號特征參數(shù)與在安靜環(huán)境下訓練語音數(shù)據(jù)特征參數(shù)的不匹配所導致的。針對這一問題，本文主要對噪聲環(huán)境下語音識別中特征提取進行研究，在前人的研究成果上，分別從信號空間抗噪方法與特征空間抗噪方法進行進一步的探索與實驗，具體的工作與研究成果如下：
　　 首先，在本文的第一部分中通過多方面的調(diào)研對語音識別技術(shù)的發(fā)展歷程與發(fā)展趨勢進行歸納總結(jié)；結(jié)合目前噪聲環(huán)境下語音識別技

3、術(shù)中存在的問題，闡述課題的研究背景、目的與意義。
　　 鑒于特征提取屬于語音識別系統(tǒng)中的前端部分，本文在第二部分首先對基于統(tǒng)計建模的自動語音識別進行介紹。接下來分別介紹了信號空間抗噪方法、特征空間抗噪方法以及模型空間抗噪方法在魯棒性語音識別中的應(yīng)用，并分別就信號空間抗噪算法中的譜減法、維納濾波法與特征空間抗噪算法中的累積分布函數(shù)匹配方法、相對譜濾波、倒譜加權(quán)等方法進行原理性的介紹。
　　 在本文的第三部分，著重對信號空間

4、抗噪方法中的經(jīng)驗模態(tài)分解(Empirical ModeDecomposition，EMD)算法進行介紹，首先闡述其在語音增強領(lǐng)域的應(yīng)用，通過實驗分析該方在語音信號處理領(lǐng)域的優(yōu)越性，然后將其引入到語音識別領(lǐng)域，作為語音識別中特征提取的前端處理方案，并設(shè)計實現(xiàn)噪聲環(huán)境下基于EMD的特征提取方法，通過實驗結(jié)果分析得出結(jié)論：通過對含噪語音的分解與重構(gòu)可以降低測試語音與訓練語音特征參數(shù)的失配，從而在一定程度上提高了識別系統(tǒng)的魯棒性。
　　

5、 在文章的第四部分，首先分析介紹特征空間抗噪方法中倒譜均值規(guī)整(CepstralMean Normalization，CMN)以及倒譜方差規(guī)整(Cepstral Variance Normalization，CVN)等特征規(guī)整的實現(xiàn)方法，接下來從特征參數(shù)能量的角度對語音信號特征參數(shù)進行規(guī)整處理，在均值方差規(guī)整(Mean and Variance Normalization，MVN)的基礎(chǔ)上，設(shè)計實現(xiàn)基于語音特征功率譜密度(Power S

6、pectrum Density，PSD)規(guī)整的特征提取算法，通過在不同噪聲環(huán)境下的對比實驗結(jié)果進行分析得出結(jié)論：通過對含噪語音特征參數(shù)進行MVN與PSD規(guī)整處理，可以在特征級對與語音信號中的噪聲成分進行抑制，降低不匹配程度，提高識別系統(tǒng)魯棒性。同時，這種方法具有物理意義明確，時間復雜度極低的優(yōu)勢，不足之處體現(xiàn)在需要具備一定的先驗知識，在復雜噪聲環(huán)境下的語音識別系統(tǒng)中表現(xiàn)一般。
　　 最后，在文章的結(jié)尾，對文章的總體結(jié)構(gòu)進行總結(jié)，