语音识别技术主要包括连续语音识别和关键词识别,它在人机交互、网络聊天、车载导航、机器人、智能家居、智能终端等领域具有广泛的应用。传统的基于隐马尔科夫模型的语音识别技术已经取得重要进展,并得到一定应用,但其识别效果较差,难以实现人与机器人之间的智能交互。此外,在嵌入式语音识别中,由于处理器内存、计算能力等限制,其语音识别性能有限,难以满足实际应用要求。为此,本文应用深度学习方法,研究了连续语音识别和关键词识别技术,主要研究工作包括如下:(1)研究了基于隐马尔科夫模型和时延神经网络的连续语音识别技术,采用训练好的模型进行在线语音识别系统搭建,在Kaldi平台上改进了CVTE模型的解码器,取得了良好的识别效果和良好的解码效率。(2)研究了一种基于通道重排卷积神经网络的关键词识别方法。该方法通过组卷积和通道重排操作,减少了常规卷积操作的参数量和计算量;通过调整模型结构,该关键词语音识别方法获得了良好的识别准确率,且对于参数量较小的模型,增大分组数,可提高识别率。实验结果验证了在不同模型尺寸限定下该模型的有效性。(3)对于关键词识别任务,研究了一种基于反向残差卷积神经网络的关键词识别方法,该方法采用了深度分离卷积和反向残差网络结构,在参数量保持不变的条件下,提升了语音识别性能。在此基础上,对反向残差卷积神经网络进行改进,提出了一种基于通道重排和反向残差的卷积神经网络模型结构,该模型结构将反向残差网络中的卷积层替换为组卷积和通道重排,进一步减少了参数量和计算量,实验验证了在不同模型尺寸限定下该模型的有效性。