语音识别在实验室环境中识别性能很高，但是走向实用化的过程中，由于语音本身的变异性以及外部噪声的影响，导致在环境变化时，语音识别系统的性能严重下降。因此，研究能够适应不同环境的鲁棒性语音识别技术具有极其重要的意义。　　本文主要研究了鲁棒语音识别中的模型自适应算法，重点研究了基于最大似然线性回归(MLLR: Maximum Likelihood Linear Regression)的模型自适应算法以及基于矢量泰勒级数(VTS: Vector Taylor Series)的模型自适应算法。主要工作内容总结如下:　　首先研究了基于MLLR的模型自适应算法，在线性假设的基础上，分别给出了均值变换矩阵与方差变换矩阵的估计方法。并且进行了基于MATLAB的仿真实验，采用实验室录制的中文语音库，在不同噪声环境下，通过改变信噪比以及自适应数据个数，测试不同条件下系统的误识率。实验结果表明，MLLR算法依赖于自适应数据的数量，且在低信噪比条件下效果较好。　　接着研究了基于VTS的模型自适应算法，首先推导出了模型参数的矢量泰勒级数关系式，然后分别给出了噪声环境下模型参数的均值与方差的估计方法。将VTS算法与MLLR算法的实验结果进行对比可以发现，VTS算法不依赖于自适应数据的数量，且在低信噪比条件下，识别性能优于MLLR算法，但是MLLR算法相比VTS算法，具有计算量小、复杂度低、易于实现等优点，两种算法各有优缺点。　　最后，本文用C语言实现了鲁棒语音识别系统，为了尽可能提高系统的识别性能，采用了基于VTS的模型自适应算法。系统可以实现非特定人孤立词语音识别，在信噪比为15dB时，识别率达到90％，在信噪比为0dB时，识别率达到65％，模型更新完成后识别时间在0.3s以内，系统运行时间和识别率都达到了预期要求。