语音识别是语言链中的一环,它研究使机器能准确地听出人的语音内容的问题。语音识别的最终目的是使计算机能够听懂任何人、任何内容的讲话。在实际应用中,环境噪声的存在会对识别结果产生很大影响,因此,有必要对噪声环境下的语音识别进行研究。本论文在分析语音识别的基本理论和算法原理的基础上,对特征提取及模板训练阶段的算法进行了较为深入的研究,提出了相应的改进算法,理论分析及仿真实验结果均表明,改进后的算法有效提高了识别率。本文所作的主要工作如下：(1)介绍了语音识别技术的基本概念,对语音识别技术的研究现状进行了较为全面的综述,分析了语音识别系统及语音识别面临的难点。(2)系统的分析了语音信号的产生机理,研究了信号的预加重、加窗及端点检测,并对各步所用算法进行了MATLAB仿真。(3)对线性预测倒谱系数和梅尔频率倒谱系数两种特征提取算法进行研究,并针对梅尔频率倒谱系数在噪声环境中的不足,以提高算法的抗噪性能为目标,加入了一个比重系数,用于衡量各个频带分量在整体计算中的重要性,由于考虑到了各频带受噪声影响的情况,改进算法在噪声环境下能取得更好的效果。(4)提出了基于平均路径长度的模板训练方法,即采用少量样本,通过计算平均路径长度得到参考模板。该算法与使用单个样本训练的算法相比,提高了识别率及鲁棒性,同时相对于需要使用大量样本的矢量量化(VQ)技术,只需较少的训练样本,降低了算法的复杂度。考虑到噪声影响,研究分析了一种改进的谱减法,仿真结果表明,算法有效起到了降噪作用。(5)在TMS320VC5416 DSP处理器上实现语音识别算法。在集成开发环境CCS中,用C语言编写代码,通过调试实现了基于MFCC和DTW的语音识别算法。