该论文以进化计算为核心优化算法,主要研究了它在语音识别中的声学模型训练以及说话人辨认中的模型训练中的应用.该文利用进化计算的全局搜索的特点,把它引入模型的训练.针对训练过程中收敛速度过慢的情况,结合隐马尔柯夫模型(HMM)的特点,提出了一种混合算法,把Baum-Welch方法和进化计算结合起来.实验结果表明,这种混合算法一方面优化了模型的最大似然训练结果,另一方面又显著改善了进化计算的收敛速度,减少了进化计算的运算量.接着,对HMM的求导问题作了研究.由于似然概率是模型参数的复杂函数,计算似然概率时尚且要借助前向概率的迭代方法,更何况其偏导数.最后,针对最大似然训练分辨能力的不足,该文把最大互信息训练方法引入到GMM的训练中去,并直接采用进化策略实现模型参数的全局训练,以模型与训练数据之间的互信息作为进化过程中个体的适应度.这样得到的系统不仅分辨能力强,而且也摆脱了局部搜索的缺陷.实验结果表明,这种方法生成的说话人辨认系统的识别性能要优于传统的EM算法生成的系统.