语音信号是人类传播信息和感情交流的重要媒体,是听觉器官对声音传媒介质的机械振动的感知,也是人类最重要、最有效、最常用、最方便的通信方式。语音信号处理是信息科学研究领域中目前发展最迅速的学科之一,其研究涉及众多前沿课题。端点检测是语音识别中的一项关键技术。现阶段的各种端点检测算法在信噪比较高时检测性能均较好,但随着信噪比的下降各算法性能都明显下降,且目前算法大多没有自我学习能力,在信号噪声发生大幅度变化时往往失效,无法适应充斥实际生活中室外各种复杂的噪声环境。本课题主要针对实际生活噪声环境下的孤立词语音识别,研究能够动态适应环境的语音识别系统。实际生活环境中的噪声往往以高斯白噪声为主,且环境经常变化。高斯混合模型(GMM)能够描述复杂的随机量,且具有很强学习能力,能够动态自适应随机量分布的变化。本文用高斯混合模型来描述环境中的背景噪声,并通过对高斯模型和噪声特性的分析,研究了基于高斯混合模型的端点检测算法,详细阐述了该算法流程。对语音识别其它模块的算法进行了研究,选择了相应的优化算法,包括语音增强、特征提取以及模板匹配模块,研究了各模块的设计方案。通过对语音识别系统各个模块的研究,最后组成了一套完整的能够动态自适应环境的语音识别系统并对系统识别性能进行了仿真实验。本系统主要针对复杂环境下的孤立词识别,在环境发生改变时能够进行自我学习更新,无需人为干预。但在环境噪声发生较大突变时学习速度有限,需要较长时间来适应突变后的噪声环境;另外系统整体的计算量较大,识别速度有限,在实时性方面仍有待改进。