近年来,随着人工智能和计算机技术的快速发展,人们对实现人机交互的需求越来越迫切。作为人机交互的关键一环,语音识别技术获得了研究学者的广泛关注,并取得丰富的研究成果。特别地,近年来深度学习在语音识别中的成功应用进一步推进了语音识别技术的发展与应用,然而相关研究仍面临许多困难与挑战。针对现有基于深度学习的语音识别算法存在的痛点问题,如对算力和资源空间需求高、对噪声不够鲁棒等,本文将聚焦非理想情况下的语音识别方法研究,具体内容包括:（1）低资源情况下语音识别方法研究。目前精度较高的语音识别模型往往结构复杂,对算力、资源空间具有很高的需求,具有很大的参数量和计算量,但在实际应用中,许多语音识别模型需要部署在算力有限的设备（如移动端、云端服务器等）上,太过庞大的网络规模是一种负担,这种情况下需要在尽量保证识别精度的基础上对模型进行最大限度的压缩。针对这一问题,本文采取知识蒸馏算法对语音识别模型进行压缩,以降低模型精度为代价实现了模型参数量和计算量的大幅度减少,并根据语音识别的特点提出对老师模型的输出分类概率进行筛选缓解对模型精度的损伤。在此基础上,为了提高压缩后模型的识别精度,进一步提出对语音识别模型中的自注意机制进行稀疏化,使输入声学特征序列的自身关注度范围缩小,进一步提高了模型的识别率。（2）噪声情况下语音识别方法研究。现实生活中,部署语音识别的设备无可避免地处于各种噪声环境,嘈杂的背景音会对目标音频造成混淆,严重降低语音识别系统的性能。即使语音识别系统前端已经存在各种提高语音信号质量的技术,但噪声无法被完全消减,因此语音识别模型本身也要提高对噪声的鲁棒性。在本文中,采用师生学习的域自适应方法,提高语音识别模型在噪声域的自适应性。与传统的师生学习算法不同,学生模型学习老师模型的中间层输出,试图将干净语音和噪声语音映射到相同的嵌入空间,以达到学习语音在不同环境中的不变特性的目的,实现模型在噪声域的自适应性。通过实验验证了该模型在低信噪比环境下具有自适应性,且对于未知噪声模型依然具有噪声鲁棒性。此外,本文还对超参数温度在中间层输出的作用进行了探索。仿真实验验证了所提方法的有效性。