传统的语音识别方法运算量大,而且实现起来较为复杂,加上现有的研究对人类听觉模型的内在机理还没有完全掌握,因此具有黑盒特性的神经网络作为一种新兴的语音识别方法得到了非常广泛的关注。神经网络语音识别系统具有很强的自适应、自学习、自组织能力,且易于实现。BP(误差反向传播网络)算法是目前神经网络训练最常用的学习方法之一,它存在着两个突出的弱点,即收敛速度慢和可能陷入局部极小值点。为了克服这些缺陷,在BP神经网络中引入具有全局搜索能力的遗传算法,将这两种仿生学的理论成果有机的结合起来并应用到各类科研生产领域中,成为了一种新的研究方向。本文将神经网络和遗传算法结合起来应用于语音识别的基础研究中。文中阐述了神经网络和遗传算法的原理和优缺点,深入分析了两者结合使用的必要性和可行性,并针对语音识别的特点提出一种多重演化神经网络的混合模型,利用竞争学习机制进行样本划分,同时采用特征重组自适应的方法来降低计算与存储开销,本方法还可以利用其学习能力的自适应性来保证语音识别系统的性能。然后,针对实际语音识别环节下样本形态多样的特点,提出一种自动增减状态的混合模型状态数确定方法,使模型能够根据样本的形态自动增加或者减少状态数目,并相应地调整混合模型的结构。最后,通过仿真实验建立了相应的语音识别系统,并将其与普通的BP网络语音识别系统进行了比较分析,证明了该识别算法的高效性和方案的可行性。