摘要：本文在HMM/Filler模型的基礎(chǔ)上,通過對(duì)漢語的408個(gè)音節(jié)建立支持向量機(jī)SVM分類器提升了HMM系統(tǒng)的識(shí)別率,這408個(gè)SVM音節(jié)分類器有助于全面支持關(guān)鍵詞的動(dòng)態(tài)設(shè)定.針對(duì)SVM分類器訓(xùn)練數(shù)據(jù)的定長(zhǎng)要求,本文通過對(duì)關(guān)鍵詞特征幀進(jìn)行等長(zhǎng)化處理,使得對(duì)音節(jié)分類的SVM分類器得以訓(xùn)練.進(jìn)一步,為了調(diào)節(jié)系統(tǒng)的融合性,本文提出概率融合公式,即通過設(shè)定融合參數(shù)λ來調(diào)整SVM分類器對(duì)HMM/Filler的作用程度.實(shí)驗(yàn)結(jié)果表明,當(dāng)融合參數(shù)λ=0.3時(shí),SVM與HMM/Filler融合的關(guān)鍵詞識(shí)別系統(tǒng)效果最佳,此時(shí)融合系統(tǒng)相對(duì)于HMM/Filler基線系統(tǒng)識(shí)別率有著6.74%的提升,多特征訓(xùn)練的融合系統(tǒng)相對(duì)于單特征訓(xùn)練的HMM/Filler基線系統(tǒng)識(shí)別率提升近10%.