随着深度学习技术的发展,语音识别已经从传统的隐马尔科夫模型转向深度学习模型。在物联网终端嵌入式设备中进行语音识别是一个不可避免的趋势。因此,这就需要将深度学习模型针对嵌入式平台低性能的特点进行优化和改进设计。现有的深度学习模型规模较大且算力需求严重,所以很难在嵌入式端进行部署。因此本文在现有的语音识别模型的基础上进行了压缩、结构优化和定点化操作,将语音识别模型转化为适用于嵌入式平台的深度学习模型。同时本文基于ARC IOT DK嵌入式平台进行了实验测试,并对整个系统使用ARC V2 DSP指令集进行优化,来进一步提升系统的整体性能。本文的主要工作和贡献如下:首先,本文确定了音频文件预处理流程,并采用梅尔频率倒谱系数算法进行音频文件特征提取。经过特征提取后的音频文件将会生成语音特征向量,该特征向量将会作为深度学习网络的输入进行运算。其次,本文针对嵌入式平台低存储、低算力的特点设计了适合嵌入式平台的语音识别深度学习网络。该网络在降低了网络规模的同时,确保了语音识别的准确率。本文设计的深度学习网络是在Mobile Net模型的基础上,对其神经网络进行了压缩和剪枝,并且将该网络进行了定点化转换,使其参数数量和乘法操作数数量有明显的减少。随后本文将长短期记忆网络层（Long Short-Term Memory,LSTM）加入到神经网络当中,增加了该网络在时序尺度上的特征提取能力,提高了整个网络的识别率,减少了因为定点化所造成的准确率损失。最后本文将自己设计的网络与常用语音识别网络进行了对比实验,实验结果表明本文的网络相比于常用的语音识别网络在精确度变化不大的情况下,参数数量是常用网络的1/10,并且在有噪声情况下识别率变化更稳定,抗噪能力更强,更适合物联网终端的应用场景。最后,本文在ARC IOT DK嵌入式平台部署了上述语音识别网络,并且使用了ARC V2 DSP指令集对系统进行了更进一步的优化,并进行了实验测试。实验结果表明,进行了DSP优化后的系统相对于原系统在识别率和响应速度上都有很大的提升。该系统的识别率已近乎达到浮点数网络的水准,并且响应速度是优化前的2倍,在进行语音识别时能够更快的得出结果,改善了交互体验。