人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是受蜂群行为的启发而得到的一种新兴群智能优化算法。因其全局搜索能力强,在寻优过程中能以比较高的机率得到全局最优解,因而受到国内外广大学者的广泛关注。语音识别(Automatic Speech Recognition,ASR)是实现自然人机交互的核心技术,而ASR模型是语音识别的重要部分,因此如何使模型最优是ASR领域的研究热点。ASR技术目前已取得了一些较好的研究成果,但是如何实现更加自然流畅的人机交互还存在一些较难的技术问题,有待学者进行深入的研究和探索。本文提出了一种改进的ABC算法,并将其应用到ASR模型中,实验结果表明了ABC算法及改进的ABC算法具有一些优良的特性。本文主要研究成果如下:1)在ABC算法中,三个阶段蜜蜂的搜索行为并不是完全一致的,但是却使用了同一种搜索方程,并且每个阶段所设计的解搜索方程更适合全局搜索,而局部搜索能力比较弱,因此在较大的搜索空间中搜索时算法的收敛速度和收敛精度有待提升,所以要提高算法的性能,必须对不同的搜索阶段采取不同的搜索方程。针对上述ABC算法存在的不足之处,提出一种自适应的双搜索ABC算法(ADSABC)。在采蜜蜂和观察蜂阶段各提出一种新的解搜索方程,使采蜜蜂在搜索过程中不断改变其搜索空间,加速搜索效率,有效地改善算法的性能,同时为了使算法能更好地跳出局部最优,在观察蜂的搜索阶段加入变异因子。通过对标准测试函数的优化结果表明,改进后算法的收敛精度和收敛速度都有所提升。2)小波神经网络(Wavelet Neural Network,WNN)具有高度的非线性映射功能及强大的自适应能力,被广泛的应用于语音识别中,但是WNN存在易陷入局部极小值,收敛速度慢,甚至不收敛的缺点,并且全局搜索能力弱,针对WNN的上述缺点,提出用ADSABC算法优化WNN网络,并将其应用到语音识别系统中,与单一的WNN语音识别系统及其他群智能优化算法改进的WNN语音识别系统的识别结果相比,平均识别率提高了5.07%,凸显出本文所提方法的可行性以及优越性。