语音识别技术经过50多年的发展,已经在社会生活中得到了广泛的应用。在语音识别技术的发展历程上形成了各种理论和方法,如矢量量化、隐马尔科夫模型、神经网络等,隐马尔科夫模型的贡献让语音识别扩展到大词汇量、非特定人、连续语音识别。然而,隐马尔科夫模型训练算法存在容易陷入局部最优解的缺陷,随着智能算法的深入研究,智能语音识别技术成为当前研究的热点。语音信号的分析和处理是语音识别的前提和基础。本文首先论述了语音产生的机理、语音的特征、语音的数学模型,介绍了语音信号的预处理方法；总结了端点检测的常规方法和各种改进的方法；阐述了用于语音特征压缩和编码的矢量量化方法,给出了码本设计LBG算法的具体步骤。在此基础上,系统回顾了HMM的基本思想,HMM的前向后向算法、viterbi算法、BaumWelch算法。并结合现代人工智能算法的研究成果,融合克隆选择算法和基因克隆技术,提出了一种改进的BaumWelch算法,即基因克隆的BaumWelch算法(简称GCBW算法),该算法优化隐马尔科夫模型的参数B,以解决BaumWelch算法容易陷入局部最优解的问题。TIMIT语音库的实验表明：GCBW算法最终输出概率对数比BW算法平均提高3.67%,4状态和5状态测试集上的语音识别率平均提高1.49%和2.64%。本文还在Matlab实验平台上开发了语音识别原型系统,应用该系统的特定人在线语音识别实验,进一步验证了GCBW算法的可行性和有效性。该仿真系统为模型参数分析和算法改进设计提供了方便,也为以后的学习者提供了较好的实验平台。