构音障碍是指发音障碍人群由于对构音器官的控制失常,造成发音含糊、缓慢的情况。近年来,自动语音识别（Automatic Speech Recognition,ASR）技术取得了长足的进步,引起了各个领域的关注。尽管ASR在各种场景中取得了成功,但为音障患者建立音障语音识别（Dysarthric Speech Recognition,DSR）系统仍然是一项艰巨的任务,其困难表现在:音障患者与正常人的发音存在较大差异;音障患者之间的说话风格差异较大;音障数据集稀少,无法通过大规模训练直接得到鲁棒的深度模型。针对这些难点,本文主要研究如何对现有的ASR技术进行借鉴和改进,根据音障语音数据的特性设计出一个更为鲁棒的DSR系统。首先,我们探索了两种深度语音识别网络作为基本模型:分别是基于深度变分概率图模型和基于端到端模型的ASR。深度变分概率图模型是在概率图模型上引入变分自编码作为生成网络,兼具可解释性和灵活性。我们以隐马尔可夫模型（Hidden Markov Models,HMM）作为变分分布的结构化先验,用以建模隐变量的时序转移关系。以Transformer模型为例的端到端神经网络消除了传统HMM中帧和帧相互条件独立的假设,通过注意力机制表示时序数据之间的依赖关系。实验结果表明,Transformer模型的识别性能更好,又由于其可扩展性更强,我们将其作为基准模型进行后续的深度模型设计。其次,我们提出了基于多视图学习的深度音障语音识别系统。由于音障数据的特殊性,我们将多个设备采集到的信息视为数据的不同视图,根据视图间的一致性和互补性的约束,运用多视图学习方法进行建模。我们将基于交叉注意力机制的编码器接入到Transformer编码器的下游,学习到紧凑的隐层表示,以消除视图之间的差异性。实验结果表明,多视图数据和交叉注意力机制在学习隐层特征时起到了重要的作用。最后,我们提出了在对比学习框架下的多视图深度音障语音识别系统。由于音障数据稀少,我们使用多种变换方式组合对输入的语音特征进行了数据增强。为了更好地利用不同视图下数据的信息,我们引入了对比学习,在隐空间上,将拉近正例、远离负类作为目标训练出一个共享参数的深度网络,产生紧凑的隐表示。实验结果表明,通过对比学习可以训练出一个更鲁棒的识别网络,解决了数据稀缺的问题,使得DSR对音障语音的识别错误率大幅度下降。综上所述,本文提出的基于多视图学习的深度音障语音识别系统与基于对比学习的深度音障语音识别系统能够实现对多试图数据的有效利用,解决音障数据的稀缺问题,最终完成对模糊不清的音障语音数据进行有效的识别。本文综合利用多视图学习方法、数据增强方法和对比学习框架等技术提升了 DSR的识别性能,具有重要的现实意义。