近年来,深度学习技术的快速发展使得语音识别的准确率有了巨大的进步,在多个行业完成了落地,越来越多的语音技术产品进入了人们的生活。智能客服机器人渐渐进入客服岗位,帮助企业降低人工成本,提高工作效率。在语音识别、语义理解、语音合成等人工智能技术的支持下,智能客服机器人能够根据用户问的问题,给予满意的答案。在智能客服机器人常用的电话场景中,用户的发音习惯差异性比较大,这使得通用的语音识别系统无法取得很好地识别准确率。由于自动语音识别系统是由数据驱动的,因此其性能受训练数据的规模和领域覆盖的影响很大。训练数据少、发音习惯差异大等会严重影响识别率。解决这些问题的其中一个方法就是数据增强。本文以电话环境语音识别为切入点,研究了基于不同发声习惯的数据增强方法对语音识别模型在手机信道和电话信道下识别率的影响。主要工作如下:第一,详细介绍了传统语音识别系统的训练过程,包括特征提取、声学模型、语言模型、评价指标等,并使用Kaldi语音识别工具搭建了一个语音识别基线模型。介绍了语音识别模型训练中常用的基于速度扰动的数据增强方法并进行了实验。实验结果表明,基于速度扰动的数据增强方法能够提升模型在手机信道和电话信道下的识别效果。第二,针对基于速度扰动的数据增强方法的实现原理,将其拆分为变速不变调和变调不变速两种数据增强方法,并详细介绍了它们的实现原理。通过实验比较了两种数据增强方法对模型的效果,并提出变速和变调混合的数据增强方法。实验结果表明,变速和变调混合的数据增强方法在手机信道和电话信道下的效果都要优于速度扰动的数据增强方法。第三,针对数据增强训练可能存在的问题,提出将模型参数预训练和数据增强融合的训练方法。本文对多种预训练微调的方法进行了实验。实验结果表明,模型参数预训练和数据增强融合的方法比单纯数据增强获得了更好的效果。