随着信息社会的高速发展，人们的日常生活与各种信息技术息息相关。语言作为人类之间互相交流的载体为人们的生活带来了许多便利，然而在这个世界上还有很多人可能生来就无法享受用听觉来感知语言的魅力，唇语作为视觉为基础的语言载体为他们带来了另一种可能性。与此同时，唇语对于拥有正常听力的人来说也有着极大的助益，在嘈杂的地方辅助交流，或者是在重要的侦查工作中，只能远距离通过视觉信息来了解对方表达的内容等。然而人类对于唇读并不擅长，这些因素综合决定了唇读的研究有着重要的价值。　　目前，中文唇语方面已有的主要工作集中在改进唇部特征的提取上，使用的数据集一般为实验室环境下自行采集的限定唇形的数据。然而过于理想化的实验环境与限定的问题规模也导致唇读的研究始终无法走出实验室，真正应用到人们的日常生活中，很重要的原因在于真实环境中光照，人脸姿态，大小等变化极大，原本辛苦优化的唇部特征提取算法会在整个流程的第一步就无法进行下去。同时采集数据方式的费时费力也导致数据集的收集工作很难拓展到各种中文环境中。　　本文从日常生活环境中的唇读场景出发，针对中文唇语数据集的构建困难问题以及任意长度唇部图片的识别问题提出了有效的解决方法。针对中文唇语数据集的构建，本文直接放弃了实验室限定下的数据采集与人工标定工作，而采用更具有可扩展性的互联网视频作为基础资源，通过足够稳定的人脸检测，唇部提取方法获取唇部序列图片，通过静音检测，语音识别等方法获取对应中文内容，自动的构建大规模的中文唇语数据集。针对任意长度的唇部图片的识别，我们第一次提出了端到端的神经网络，借鉴语音识别的思路，对变长的唇部序列图片进行编解码，来有效解决变长中文唇语的识别问题。　　最终，我们构建出了可任意继续扩展的足量中文唇语数据集并通过其训练了对应的中文唇读模型，相较于以前的方法有着极强的可扩展性以及普适性。