随着科技的发展和计算机的普及,各种智能化产品开始逐渐深入人们的生活,如智能手机、智能家居等产品。智能市场的崛起,使得人们对人机交流方式有了更高的要求,这无疑促进了语音识别技术的发展,使之成为自然语言处理领域中的一个重要研究方向。目前的语音识别系统对实验室语音可以达到非常高的识别精度,但由于噪声的存在使得系统应用到现实环境中后很难与混入噪声的测试语音匹配,导致系统的识别性能变差。鲁棒语音识别的目标就是使系统在不同的环境中保证稳定的识别率。常用的非线性补偿模型有矢量泰勒级数(Vector Taylor Series,VTS)、基于数据驱动的并行模型合并(Data Driven Parallel Model Combination,DPMC)以及UT(Unscented Transformation)变换补偿等。本论文选用VTS方法从特征补偿和模型补偿两个方面探讨了噪声环境下的鲁棒语音识别技术。论文研究了信号空间的语音增强算法,进而研究了在特征空间用VTS结合EM噪声估计进行特征补偿的方法来提高识别系统的环境适应性。如果特征补偿后的语音特征中含有噪声,这些噪声会向后传递并在系统后端累积,且更改模型参数相对更易实现,因此论文又研究了模型空间的VTS补偿和基于高斯牛顿(Gauss-Newton,GN)的噪声估计方法。实验数据显示模型空间进行模型补偿对系统的抗噪性能改善效果比特征空间明显。高斯牛顿法能够得到更精确的噪声参数估计和更高的收敛率,在模型参数训练过程中系统的迭代次数要少于基于EM噪声估计的VTS补偿算法,能够有效节省系统的计算量,同时比改进前系统误识率平均下降了0.53%-2.34%。