语音识别作为人机交互中最重要的技术之一,一直是学术界和工业界研究和应用的重点内容。但随着工业技术的发展和语音识别应用领域的增多,传统的语音识别技术已经无法满足人们的实际需求。利用深度学习技术和深度神经网络模型构建语音识别系统已成为当前和未来发展的趋势。基于端到端技术的深度神经网络语音识别技术是当今最为火热的方向。本文利用深度神经网络对语音识别系统进行端到端建模,分别从深度神经网络和端到端技术两个方向,对语音识别技术的各方面进行探索。进而提出了DPCNN-SA-CTC模型、DCRNN-Attention-CTC模型、DCRNN-SA-CTC模型三种语音识别模型。实现了对中文语音到拼音序列的准确预测。本文主要开展的研究工作如下:(1)对语音信号的特征和网络模型进行深入研究,熟悉语音信号的特征提取方法和相应特征的特性,探究在语音识别领域常用的神经网络模型架构,并以此提出双通路CNN模型和双通路CRNN模型,通过对语音信号的语谱图输入进行学习实验,得到了优于传统CNN和CRNN的识别效果。(2)利用注意力机制和自注意力机制对连接时序分类的端到端方法进行改进,提出了Attention-CTC端到端模型和SA-CTC端到端模型。(3)基于双通路CNN模型和双通路CRNN模型建立了DPCNN-SACTC模型、DCRNN-SA-CTC模型、DCRNN-Attention-CTC模型,通过在中文语音数据库中的实验。三种语音识别模型分别取得了77.3、77.2%和77.6%的准确率,相比于CNN-CTC模型,识别准确率相对提高了7.4%、7.2%和7.8%。