由于语音识别系统应用环境的复杂性，各种干扰因素往往导致语音识别系统的性能急剧地下降，因此，如何提高语音识别系统对各种干扰因素的鲁棒性和自适应能力，就成为语音识别技术走向实用化的关键问题。　　针对语音识别系统中存在着环境差异和环境噪音的问题，在MAP(Maximum a Posterior，最大后验估计)和MLLR（Maximum Likelihood Linear Regression，最大似然线性回归）两种说话人自适应方法的基础上，采用了一种新的渐进使用自适应数据的策略，给出了一种快速综合渐进语音识别自适应方法。实验结果表明，快速综合渐进语音识别自适应方法即使在自适应数据比较少的情况下也可以取得较好的语音识别效果，在一定程度上克服了说话人差异和环境差异对语音识别系统的影响，在无噪音和有噪音的渐进自适应情况下分别可以降低识别字错误率23.03％和29.69％。　　给出了用说话人聚类方法为自适应提供一个更好的初始声学模型的说话人自适应方法。该方法以模型自适应技术为核心，采用说话人聚类技术减小训练集的特征分布离散度和基元间混迭度，利用自适应数据为自适应过程选择最适当的初始声学模型，可以极大程度地提高SI（Speaker Independent，非特定人）语音识别系统的性能。　　针对传统的VTLN（Vocal Tract Length Normalization，声道长度归一化）方法用单一声道因子来描述说话人差异导致频谱弯折函数无法将不同的共振峰同时对齐的问题，提出了用更为细致的频谱弯折函数来完成频谱归一化方法，即基于分段线性弯折函数的频谱归一化方法。在适当的频谱分段下，该方法较好地完成了频谱对齐的任务。传统的声道长度归一化方法可以看作该方法在分段数为2时的特例。由于利用了与模型无关的频谱弯折函数，该方法被证明是一种适用于无监督模式的说话人自适应方法，具有很高的鲁棒性。　　在基于统计模型化说话人归一化训练方法、CMN(Cepstral Mean Normalization，倒谱均值归一化)方法和说话人自适应训练方法分析基础上，提出了与状态相关的直接均值移动归一化训练方法，并将之与模型自适应方法结合，得到基于MAP估计的直接均值移动归一化训练和MAP/WNR（Weighted Neighbor Regression，加权近邻回归）模型自适应结合方法。实验结果表明，直接均值移动归一化训练方法是一种较好的有监督模式下的鲁棒性方法。