随着深度学习的发展,相比于传统的基于大词汇量连续语音识别的关键词检索方法,基于深度学习的关键词识别方法变得流行起来。传统的关键词检索方法由于各个组成部分独立进行训练,导致整体性能并不能得到完全的发挥,且在进行连续语音识别时速度较慢且需要较大的存储空间。而端到端关键词识别系统可以很好的克服上述缺点,因此本文主要研究无需语音识别的端到端关键词识别系统框架,对其进行了改进和实现。论文主要工作如下:1.研究了无需语音识别的端到端关键词识别系统,对其进行了工程实现。在端到端关键词识别系统中,输入一个文本格式的关键词和待检测的音频对象,直接输出1/0分别表示该关键词是/否出现在音频中。系统由三部分构成:文本编码器用于得到关键词的向量表示,其用一个字符级的语言模型实现;声学编码器用于得到音频的向量表示,其用一个循环神经网络实现;关键词识别模型将关键词的向量和音频的向量表示作为输入,计算得到最终的识别结果,用一个前向网络实现。基于AISHELL和RASC863语料库的实验表明,其整体的准确率和ATWV分别为62.5%和-82.3406。虽然和传统的关键词检索方法有性能差距,但该系统需要的关键词标注数据量和训练时间相比于传统的关键词检索系统分别减少了90%和80%。2.在无需语音识别的端到端关键词识别系统的基础上,针对声学编码器记忆能力有限、对长语音序列编码能力不足的问题,研究了使用基于注意力机制的关键词识别系统对其进行改进,提高了端到端关键词识别系统的性能。首先,使用了声学模块来替换声学编码器,其用一个双向长短时记忆网络实现。然后,为了得到关键词向量,去除了文本查询编码器中的卷积神经网络。最后,使用注意力机制来提取出输入语音信号中的关键词信息。实验证明,使用注意力机制的关键词识别模型在性能上有较大的提升,其准确率和ATWV相比于基线系统分别相对提升了21.6%和49.7%。3.在基于注意力机制的关键词识别模型的基础上,针对声学模块中双向长短时记忆网络特征提取能力不足且计算较慢的问题,使用了时间卷积神经网络和自注意力机制对其进行改进,提高了模型性能。本文将卷积神经网络和自注意力机制对双向长短时记忆网络进行了不同组合,从而得到不同的声学模块。实验结果表明,加入了时间卷积神经网络之后的模型取得了最好的识别效果,其准确率和ATWV相比于使用注意力机制的关键词识别模型分别相对提升了11.7%和67.1%。4.在基于注意力机制的关键词识别模型的基础上,针对标注信息利用率不高的问题,研究了使用连接时序分类准则构造辅助任务,对端到端关键词识别模型进行多任务训练,以提高声学编码器的语义信息提取能力,从而进一步提高模型性能。本文研究了两种使用连接时序分类准则构造辅助任务的方法:一种是基于声学模块输出构建带有时间位置信息的关键词识别辅助任务,然后使用连接时序分类准则进行多任务训练;另一种是基于声学模块输出构建连续语音识别辅助任务,然后使用连接时序分类准则进行多任务训练。实验结果表明,构建连续语音识别辅助任务的模型取得了最好的性能,其准确率和ATWV分别为98%和-6.4892。