语音识别作为一种便捷的人机交互技术,在智能终端设备中有着广泛的应用需求。然而,目前各类具有高识别率的基于深度学习的语音识别技术因其所需要的巨大计算量而基本依托云服务器实现。为了提高适用性,摆脱网络依赖性,尤其是针对延时敏感的应用,研究和实现适用于嵌入式处理器的基于深度学习的语音识别技术具有十分重要的理论价值和现实意义。面向DSP实现,本文首先开展了命令词识别算法的优化设计研究,提出了一种混合结构的识别模型R-SRU,该模型以长短时记忆网络(LSTM)或门控循环单元(GRU)作为前级网络实现高阶语音特征的提取,采用多层简单循环单元(SRU)作为后级网络实现命令词识别,从而在确保识别性能的前提下,提升了模型的并行能力,降低了模型的参数量。基于谷歌公司命令词数据集的测试结果表明,在纯净语音环境下,R-SRU混合模型的识别准确率达到95.275%,相比于LSTM模型,识别准确率提高了 0.1%,模型参数量和乘法运算量分别下降了 3 7.2%和37.5%;在信噪比为5dB的车载噪声、餐厅噪声和粉红噪声环境下,R-SRU模型也能提供90.8%以上的识别率。针对所提出的R-SRU命令词识别模型,本文设计了基于TI公司C6655 DSP的嵌入式硬件平台。随后,本文以G-SRU(GRU为前级网络的R-SRU)为例,完成了G-SRU模型在C6655平台上的代码裁剪和移植,并从系统内存访问、代码结构和系统级代码三个方面递进地对所移植的算法进行了一系列优化操作,大幅降低了算法的计算复杂度。测试结果表明,优化后的G-SRU模型在C6655平台上运行所需的存储空间为37920字节,堆栈实际占用915148字节,完成单个命令词识别的计算复杂度为157MCycles,在1.25GHz主频下,识别速度为0.125s,具有良好的实时性能。