随着科学技术的发展，语音识别技术的产品已经走出了实验室，走进了人们日常生产生活的各个方面。目前对于语音识别中有些问题还没有得到彻底解决，尤其是声学模型的研究上。声学模型的输入数据是语音的特征参数，而目前应用最广泛的梅尔倒谱系数不能够准确地、完整地表示语音中的所有有用信息，尤其是在汉语的识别中，直接影响了后面所建立的声学模型的准确性，同时对于声学模型训练过程中局部最优的问题也没有完美的解决方案，从而导致产品的性能有些还难以达到理想的使用要求。本文介绍了语音识别算法中特征提取和声学模型训练环节的研究现状。分析比较了目前各种算法的优缺点，针对主流算法中所存在的问题，提出了自己的解决方案。在特征参数提取中，提出了基于Fisher比的混合特征参数。在声学模型训练环节，提出在模型参数的初始化阶段，根据语音训练数据的分布特点进行模型的初始化来优化训练算法。本文的研究内容主要包括：①特征参数的提取环节，针对目前使用较成熟的梅尔倒谱系数注重低频信息的不足之处，提出了改进的算法，加入中频、高频的能量分布信息，采用Fisher比的准则将其结合组成混合特征参数。②对于声学模型的训练环节，针对连续隐马尔可夫模型中训练算法使模型参数依赖于初始值，从而导致最终的训练模型趋于局部最优的问题，提出结合语音训练数据的分布特点即训练数据的距离参数和密度参数来初始化模型的参数，从而对最终的模型进行改进优化。