1、GMM-HMM聲學模型在語音識別技術中取得了巨大的成功，但隨著語音數據量的增加，數據的復雜性也越來越大，訓練時間也越來越長。同時，由于高斯混合模型(Gaussian Mixture Model，簡稱GMM)是一個淺層模型，在復雜數據上的構建模型能力明顯存在著不足，需要找到一種對數據建模能力更強的聲學建模方法，而深度神經網絡在聲學模型建模上就具備了這種能力。此外，在特征提取方面，梅爾頻率倒譜系數(Mel-Frequency Cepstra

2、l Coefficients，簡稱MFCC)是一種在語音識別過程廣泛使用的特征，但由于其計算時進行了去相關或者降維處理，勢必造成部分信息的丟失。所以，本文還實驗了對數域的Mel濾波器的輸出為聲學特征，即Filter-bank特征(簡稱Fbank)，Fbank特征包含有更多的語音信息可用于之后的訓練。
　　本文完成了一個深度神經網絡模型語音識別系統，主要工作包括:
　　(1)搭建Kaldi語音識別系統開發(fā)平臺，編譯源代碼，配置

3、運行環(huán)境，安裝CUDA并行計算架構，使用GPU加速深度神經網絡訓練過程;
　　(2)在中文DNN語音識別系統開發(fā)平臺上訓練單音子模型，并在此模型上優(yōu)化訓練三音子模型，以三音子模型為基礎訓練和測試中文深度神經網絡模型識別性能;
　　(3)進行聲學特征實驗，對分別使用MFCC特征和Fbank特征的DNN模型進行訓練解碼;對濾波器組加密處理，提取不同維度的Fbank特征，用于訓練DNN模型;濾波器組相同的情況下，增加Fbank特征

4、幀數，用于訓練DNN模型。
　　實驗結果顯示:DNN模型在有限語音訓練數據條件下的詞錯率WER(WordError Rate)與傳統GMM模型相比有12.05％的絕對降低(28.02％降至15.97％)以及43％的相對降低;采用Fbank特征與MFCC特征的DNN模型的詞錯率WER相比有0.86％的絕對降低(15.97％降至15.11％)以及5.38％的相對降低;Fbank特征進行濾波器組加密處理訓練DNN模型的詞錯率WER的最好