我国综合实力的提升促使国内铁路交通的飞速发展,铁路的安全运输就成了一个不可忽视的问题,在人力可控范围内将危险系数降至最低,行车指挥人员就起着决定性的作用。除调度等关键位置的人员紧缺外,铁总还下发文件强调铁路职工必须持证上岗,而到岗新职员在短时间内不能快速上手业务,因此车站就得配备相应的培训系统。随着现代技术的飞速发展,铁路车务仿真培训系统也探究结合语音识别技术,用于培训专业素质过硬的技术人才,然而现阶段的培训还停留在简单的流程操作层面,不能实现全方位立体培训人才的目的。针对以上问题,本文基于铁路车务仿真培训系统对铁路术语进行语音识别研究,将前沿技术与传统行业相结合,以此来提高培训效果,为以后的实现智能交通奠定基础。本文的主要研究内容如下:（1）现实生活当中噪音干扰会使语音识别准确率降低,传统的单通道降噪方法对非平稳的语音信号存在一定的局限性,而基于联合字典的降噪方法具有特征选择和可解释性的特点,在语音信号降噪方面被广泛使用,但其仍旧存在区分性不足等问题。针对该问题提出了一种改进联合字典降噪算法,首先用稀疏表示法表示语音信号和噪音信号经过短时傅里叶变换得到的频域幅度谱,其次对稀疏表示的字典实现双重稀疏表示,提升字典恢复能力和自适应性,然后在此基础上加入fisher区分性约束项,使得语音字典和噪音字典两者类间散度增大类内散度减小增加区分性,最后结合降噪语音的相位谱再利用短时逆傅里叶变换恢复出纯净语音信号,从而达到降噪的目的。实验结果表明,本文提出的改进联合字典降噪算法其感知语音质量评估（Perceptual Evaluation of Speech Quality,PESQ）和输出信噪比（Signal Noise Ratio,SNR）均高于另外两种对比方法,降噪效果有了进一步的提升。（2）国内语音识别技术已经趋于成熟,但主要是面向大众群体,没有针对铁路行业进行研究,如果单纯将现阶段主流的语言识别软件引入,不能达到预期的识别效果。针对于铁路术语的特点,建立铁路语音特有的词典和训练数据,以此来探究适合于铁路语音识别的声学模型,首先利用隐马尔可夫模型分别结合深度神经网络、循环神经网络、长短时记忆神经网络和双向长短时记忆神经网络建立四种声学模型,训练后并将其应用与铁路术语的识别,对实验结果进行对比分析,四种声学模型中,Bi LSTMHMM模型在铁路术语语音识别的词错率最低。然而HMM模型本身存在一定的局限性,在训练声学模型前要做语音的对齐处理需要知道对应的标签,这都需要耗费一定的时间和尽力。进一步优化模型,本文将连接时序分类模型引入代替HMM模型。实验结果表明,使用Bi LSTM-CTC模型比Bi LSTM-HMM混合模型更便利,模型的词错率进一步降低。