作为语音识别领域的核心热点技术之一,关键词检出技术(KWS)近年来得到了长足的发展。虽然目前在语音识别领域隐马尔可夫模型(HMM)占主导地位,但就关键词检出技术而言,人工神经网络(ANN),以出色的判别能力、较小的计算量、更高的灵活度,成为重点研究的方向之一。本文研究了一种新型的神经网络—时间集成人工神经网络(TANN),并把它应用在汉语语音的关键词检出中。TANN通过时间集成和帧间集成两个步聚的时延和集成处理,把语音的时序性特征较好地表征出来,很好地解决了神经网络在处理时序分类问题上遭遇的困难,并且巧妙地回避了语音识别中的时间对正问题。本文引入了一种基于熵误差函数(EEF)新颖的网络训练算法,并辅之以增加动量项和变步长学习法等多种加速网络收敛算法。这种训练算法不但通过对样本进行多点学习,使网络适应关键词检出时的动态过程,还有效地加速了时间集成人工神经网络的收敛速度,使网络在学习过程中逃出部分误差曲面的局部极小点。在关键词检出的过程中,本文采用了TANN作为分类器。本文还提出一种多模板联合决策算法,这一算法借鉴了多分类器融合思想,改进了单一分类器在时间集成方面的不足,提高了检出正确率。基于TANN的关键词检出技术,检出正确率最高可达80%以上,并可满足实时应用要求,值得进一步的研究和探索。