语音识别系统对噪音的鲁棒性是关系语音识别能否走向完全实用化的关键环节,也是目前语音识别的研究热点和难点。本文重点研究了其中的端点检测算法、语音增强技术和特征提取方法,以期提高语音识别系统对环境的强健性和对噪音的鲁棒性,主要研究工作如下:1. 解决语音端点问题的传统方法是短时能量和过零率判断,本文提出采用语音信号的熵信息与短时能量结合,并提出了改进的判定准则进行语音的端点检测与分割,经过实验分析,在传统的端点检测方法失效时,该方法还能正确的分割出语音边界点。2. 阐述现阶段常用的维纳滤波、基于噪音能量估计的谱减法和小波去噪方法的核心思想和特点,针对基于噪音能量谱估计的谱减法去噪后仍存在音乐背景噪音,提出利用短时能量和短时过零率组合而成的加权函数,进行二次去噪。3. 深入分析和研究参数的抗噪问题,在MFCC参数中引入短时能量、一阶差分、二阶差分和均值化等参数,提出采用不同的特征参数组合增强参数的抗噪性。4. 研究了HMM模型,讨论了初值选取、训练状态数和混合度的选择问题。此外,探讨了引入噪音的先验知识,将带噪数据扩充到训练样本集中参与模型训练提高模型级抗噪性。采用以上的实验分析结果,系统构建一个基于CDHMM方法的非特定人不定长汉语数字串的语音识别系统,并从抗噪性、识别率、对长度的误识率等方面评价系统的性能。