语音识别技术的目标是将语音转换为文本,可以应用到翻译、教育、军事、医疗等领域来提高工作效能。本文主要研究基于深度学习的实时民航语音识别算法,进行语音特征与对应文本之间的转换,实现民航指令的实时转录。通过对已有算法的设计思想与建模方法进行深入分析后,发现这些算法存在以下几个问题:第一是基于CNN的模型因为只依赖于有限上下文进行预测,所以比较适合实时语音识别,但由于模型深度较大,并且为了在有限的深度下获取更大范围的感受野,采用较大的卷积核,这就造成模型的参数量多,计算复杂度高,增加了模型的延迟时间,难以满足实时需求;第二是目前大多数语音识别模型都是基于神经网络实现,而这一类模型的性能依赖于大规模的标注语料库,其中端到端模型更是如此,但是在民航领域有对应文本的语音很难得到,因此无法取得大规模的民航领域文本和语音,导致端到端模型难以取得好的表现;第三是现有的语料库大多是相对安静的环境下采集得到的,使用这种数据训练得到的模型在转录包含噪声的语音时效果往往会很差,乃至难以使用。本文针对上述问题进行研究,提出相应的解决方案,主要贡献如下:（1）提出基于迁移学习的实时民航语音识别算法。针对问题一,采用可分离卷积来减少模型的参数和计算量。针对问题二,引入迁移学习的思想,首先利用大规模开放语料库来训练模型的转录能力,模型收敛后再利用小规模的民航领域语料库来进行领域适应,从而使模型可以在民航领域取得较好的效果,并且具有在开放域的泛化性。实验结果表明,所提出的算法在民航领域具有较好的识别效果且处理速度更快。（2）提出基于Attention的深度循环网络语音增强算法。针对问题三,考虑到语音增强算法提高语音清晰度的能力可用于语音识别的前端,采用深度循环网络来对语音进行增强,并利用注意力机制获取上下文信息的能力,进一步提升增强效果。通过和基准算法进行对比,检验了算法的合理性和优越性。（3）基于前面提出的基于迁移学习的实时民航语音识别算法设计并实现了面向民航的实时语音识别系统。对民航领域的语音识别需求进行分析,然后设计并实现了语音识别系统,最后对系统进行了测试。