人类和机器进行语音交流,让机器听懂人类的语音,一直是人类长久以来的梦想。随着深度学习技术的应用,语音识别声学模型建模方式发生了巨大的变化。但相关的研究主要集中在英语和汉语普通话这样的数据资源充足的语言中,对于藏语这样的资源稀缺的语言研究较少。本研究首先建立TDNN-HMM藏语拉萨话语音识别基线系统,针对藏语拉萨话数据资源稀缺的问题,研究使用半正交因式分解TDNN-HMM声学模型对藏语拉萨话语音数据进行声学建模,提升复杂模型对于小数据集的建模能力。针对传统区分性训练需要进行两遍训练的问题,研究使用Lattice-free MMI准则进行声学模型训练,相比传统交叉熵准则训练的基线,获得14.5%的性能提升,同时解码速度更快。在此基础上研究数据增强和说话人自适应方法,提高低资源环境下藏语拉萨话语音识别系统的鲁棒性,进一步获得8%的性能提升。最后本研究通过迁移学习中的权重迁移方法,进行声学模型跨语言权重迁移,将汉语普通话半正交因式分解TDNN模型的隐层权重矩阵参数迁移到藏语拉萨话半正交因式分解TDNN模型中,研究隐层数量对迁移的影响,在之前实验基础上获得4.2%的性能提升,从而证明汉语普通话到藏语拉萨话的迁移是有效的。