陆空通话是管制员与飞行员进行信息交流的主要通讯方式,保障通话的准确性是维护空中安全、提高飞行效率的关键。无线电干扰、航行噪音、语速以及管制疲劳等原因造成管制指令表述和理解错误而导致航空安全事件不断发生,因此将陆空管制通话经过语音识别技术处理,转化为管制指令文本具有实际应用价值。本文基于循环神经网络模型对陆空通话语音识别进行了研究:本文基于端到端的循环神经网络模型,分别将双向循环神经网络（Bidirectional recurrent neural network,Bi RNN）、双向长短时记忆（Bidirectional Long Short-term Memory,Bi LSTM）、双向门控循环单元（Bidirectional Gated Circulation Unit,Bi GRU）与连结时序分类（Connection Timing Classification,CTC）相结合来构建声学模型。实验结果表明,BIGRUCTC模型的整体性能更优,在良好的识别结果基础上,其训练复杂度低且训练时长也较短,更适用于民航陆空通话语音识别任务。针对民航领域的语音数据难以获取,直接训练获得的声学模型识别效果不理想且泛化效果差等问题。本文基于迁移学习（Transfer learning）的策略,在开源数据集上进行声学模型训练,将模型训练参数储存并迁移到民航领域的语音数据集中训练;同时采用数据增强（Data Enhancement）的方法对训练数据进行扩展,增强声学模型的泛化能力和鲁棒性。实验结果表明,融合了数据增强与迁移学习策略的Bi GRU-CTC模型在民航语音数据集上有良好的表现。端到端的循环神经网络模型是一种依赖数据驱动的模型,直接对文本建模没有很好的利用到其中语言知识。本文将Bi GRU-CTC声学模型与GRU语言模型进行融合,单独训练语言模型对整个识别系统进行语义补充,能进一步提升语音识别效果。