随着科学技术的发展和计算机的普及，人们对于计算机的交流方式提出了更高的要求，这促进了语音识别技术的发展，并使之成为语音处理领域中的一个重要研究方向。语音识别从研究至今已经取得了很大的进展。目前，在实验室环境即无噪声干扰的环境下，语音识别系统的识别率已经达到了很高的水平，但在噪声环境下识别性能会大幅下降，主要原因就是噪声的干扰使得训练模版与待识别模版不匹配，从而造成识别率的下降。因此，噪声是语音识别技术广泛实用化的最大障碍，对噪声环境下语音识别系统的研究也就变得尤为重要。本文主要研究了白噪声环境下的语音识别技术，介绍了语音识别的基本原理及系统的各个组成部分包括预处理，端点检测，特征参数提取，模式识别与匹配等。目前抗噪技术主要有三种：语音增强，抗噪语音特征提取，抗噪语音模型参数调整。随着语音识别抗噪声技术的研究及发展，如何在实际的语音识别系统中将以上的技术合理地结合起来，使语音识别系统在不同的噪声环境中均能达到较高的性能，是抗噪声语音识别研究的一个重要方向。本文研究的重点是预处理阶段和特征参数提取阶段语音识别的抗噪问题。小波变换不论在时域上还是在频域上都具有良好的局部信号分析能力，它是一种较好的信号分析方法，并且广泛应用于信号去噪等多个领域。本文引入了小波分析方法，详细研究了小波变换理论，分析了小波变换的特点，着重研究了小波阈值去噪方法。本文着重研究了两种抗噪方法：语音增强方法和抗噪语音特征参数提取方法。给出将两种方法相结合的抗噪方法，该方法的基本原理是：首先，在语音识别系统的前端增加语音增强部分，针对传统阈值去噪方法存在的问题，给出一种新的阈值去噪方法，并通过Matlab仿真验证了该去噪方法的有效性。其次，在语音特征参数提取阶段，本文给出一种新的基于小波变换的抗噪语音特征参数—TDWTMFCC特征参数，并将其与DWTMFCC参数相结合，用于语音识别特征参数提取。本文将上述改进过的两种抗噪方法（语音增强法和特征参数提取方法）相结合应用于一个非特定人、小词汇量的语音识别系统中，通过Matlab仿真实验对比验证了该组合去噪方法的有效性。