自从2006年Hinton等人提出深度学习方法以来,深度学习一直都是广大科研工作者的研究热点,并且得到了工业界的广泛应用。深度学习方法通过对外部信息的学习,从而对未知结果做出合理的预测,深度学习方法具有强大的非线性映射能力、自学习能力以及容错能力。语音是深度学习非常适用的领域之一,语音关键词检测则是语音领域中的一个重要课题。语音关键词检测技术的目的是检测出连续语音信息中是否包含某些特定关键词,这项技术广泛应用于各种场景,比如数据检索、数据挖掘、命令控制等等。在主流的语音关键词检测系统中,基于GMM-HMM的Keyword-Filler模型是解决可定制关键词检测问题的有效方法,再使用DNN替代GMM作为HMM中用于计算发射概率的模型后,关键词检测的错误率可以进一步相对减少超过20%。尽管深度学习方法可以取得如此显著的性能改进,但是经典的利用深度神经网络的关键词检测方法仍然存在很多缺陷,例如对长时间依赖建模能力差、难以区分相近关键词等问题。本文主要研究深度学习在关键词检测中的应用,并且试图解决经典方法的不足之处。对于问题本身,本文主要从两个方面进行改进:预处理与检测算法。在预处理过程中,语音活动端点检测十分重要,直接决定了检测算法需要处理的语音信号的质量。本文中采取了多任务的深度神经网络模型,并且结合多帧预测技术,以增强端点检测的准确性。模型训练时,端点检测作为主任务,语音增强作为辅助任务,并且同时对当前语音帧与前后多帧做预测,最终的预测结果由融合函数计算得出。在英文测试集上,多帧预测模型与经典深度神经网络模型基线相比有17.9%的相对准确度提升,同时碎片化问题降低了4.1%。在检测算法方面,本文将LSTM-CTC模型引入关键词检测系统,LSTM-CTC是一种有效地对长时间依赖建模的方法。并且利用LSTM-CTC模型输出后验概率稀疏的特性,针对性地提出了一种音素搜索算法。在提出的方法中,首先每帧的后验概率由LSTM-CTC声学模型计算得到,然后生成相应的CTC Lattice,并在此CTC Lattice上执行本文设计的基于编辑距离的音素匹配算法,计算出测试音频的关键词得分,通过与动态阈值的比较完成判别过程。本文设计了多组实验考察提出的关键词检测系统性能,在英文测试集上达到了相对29%的EER减少与12%的FOM提升,并且在相似关键词的检测上也优于经典方法。