进入移动互联网时代,语音识别作为实现人机自由交互的关键技术,值得深入研究。同时面对大数据的挑战,由于深度学习能够从海量数据中挖掘有效信息,成为模式识别领域的一个研究热点。以深度学习理论为基础,对语音识别进行研究具有理论意义和实用价值。深度学习本质上是一种采取多层非线性变换的信息提取技术,通过其层次化的特征结构,从而实现对数据间复杂关系的建模。本文首先介绍了语音识别的基本原理及研究现状,详细阐明深度学习的基础理论及其网络模型,然后着重就如何将深度学习理论更好地应用于语音识别中展开研究。1、研究了基于深度自动编码器的声学特征提取方法良好的声学特征对于语音识别系统的性能至关重要。本文就深度自动编码器的基本原理展开,分别从声学特征预处理、网络结构包括隐含层层数和节点数以及网络并行训练算法等几个方面作了较深入的探讨；在Matlab平台上构建基于语音特征的自动编码器,分别利用无监督和有监督的训练方式从原始MFCC特征中提取鲁棒性更强的语音特征；最后通过HTK语音识别框架对863汉语语音库进行测试,基于无监督和有监督提取的新特征和原始特征相比,在词识别正确率方面分别提高了1.96%和3.53%。2、研究了基于DNN-HMM的声学建模方法声学模型是语音识别系统不可或缺的组成部分。本文通过分析深度神经网络和高斯混合模型在结构和训练方式的异同,阐述了DNN用于描述HMM状态输出概率分布的可行性；在Kaldi开源语音识别平台上分别实现了基于GMM-HMM和基于DNN-HMM的声学模型建模,并在RM语音库上通过实验证明了应用DNN-HMM模型比GMM-HMM模型的识别系统在词识别错误率上相对下降30%。