本論文介紹了雙門限語音端點檢測理論，研究了語音特征參數地提取過程，特征參數包括：線性預測系數（LPC）、線性預測倒譜系數（LPCC） 和Mel頻率倒頻系數（MFCC） 。并研究了3種不同的語音識別算法： DTW算法、VQ算法和HMM算法。并且在MATLAB環境中提取了孤立字語音（十個數字0~9的漢語發音）的LPCC、MFCC特征參數，用它們配合上述3種語音識別算法實現了對這些孤立字語音的識別。

　　語音識別研究開始于二十世紀50年代，Bell 實驗室實現了第一個可以識別10個英文數字的語音識別系統（Audry）。

　　但是真正取得實質性進展是在60年代末，70 年代初，當時提出了動態時間規劃（DP） 和線性預測分析技術（LP）， 后者很好地解決了語音的建模問題，到了70年代初，動態時間規整（DTW） 解決語音特征長度不一致的問題。這對特定人孤立詞的語音識別特別有效。70年代還提出了矢量量化VQ和隱馬爾可夫模型HAOM的語音識別算法。

　　80年代，這時研究的重點轉到了對連續語音的識別，提出了多級的動態時間規劃識別算法等，此時設計方法算法從模板匹配到統計模型轉變。特別是隱馬爾可夫模型HMM語音識別算法的成熟和推廣，。

　　90年代人們開始研究自然語音的識別，逐漸發展到口語對話和人機語音交互的方面。人工神經網絡技術也開始用于語音識別，成為語音識別的--條新途徑。

　　我國在80年代后期研究了人機語音對話項目，這個時候，國內的大學和研究所相繼研究了語音識別。

　　國外許多公司為語音識別投入大量資金，推動語音識別的研究。

　　經過了半個世紀地研究發展，目前語音識別技術已經發展到了接近實用的階段。在實驗環境下，識別率很高，達到90%以上，在這樣的基礎上，語音識別走向了商品化。雖然很多公司開發除了語音識別系統，但是它還主要受到計算的性能和價格的制約，還有很多方面需要改進。

　　1.提高可靠性。

　　語音識別技術的識別率特別受到語音環境的影響，在公共場合，噪音比較大，雖然人耳可以很輕松的屏蔽掉無用信息，或不想要的信息。但是計算機不能屏蔽掉，它會對語音識別率造成嚴重的干擾，所以必須要采取濾出噪聲等措施，提高可靠性。

　　2.增加詞匯量。

　　語音識別系統應該有很大的詞匯量，讓語音識別系統的功能更強大，作用更廣人機交互更加智能化，使人們更加方便使用機器。

　　3.應用拓展。

　　可以使用語音識別系統開發- -些應用，使人們生活水平更高，更加智能化，享受舒適溫馨的生活。

　　4.降低成本減小體積。

　　任何技術商品化，都必須要降低成本，使普遍人們能夠使用的起，小體積的識別系統更符合人們的需要，就像計算機一樣，從開始的研發的大型計算機，到民用的個人計算機，體積縮小了很多。

　　21世紀是信息和網絡的時代，Internet、 智能手機、計算機、物聯網、移動電話網將會把全球的人與人之間、人與物之間、和物與物之間都相互連接起來。而自然口語對話、智能家居、信息索取、電子商務、語音翻譯、數字圖書館等領域，語音識別技術將發揮巨大的作用。

　　本論文描述了基本的語音識別基本原理，介紹了語音識別的-般過程。在第二章介紹語音識別的算法所需要的參數提取的過程，包括語音信號預加重、分幀、端點檢測， LPCC和MFCC意義和它的提取過程。第三章介紹了動態規劃DTW算法、矢量量化算法和隱馬爾可夫模型HMM算法語音識別，第四章得出了語音識別的實驗結果。第五章做出總結。