隐马尔柯夫模型(HMM)方法现已成为语音识别的主流技术，该方法在语音识别时识别速度较快，并且有较高的识别率。在HMM中，又分为离散HMM(DHMM)和连续HMM(CHMM)。由于CHMM直接以帧语音特征向量本身为观测序列，而不是像DHMM那样先将语音特征向量经矢量量化为观测符号，因此CHMM有优于DHMM的识别精度。然而，由于CHMM参数多，传统的训练方法采用迭代法，先假设初始值，用语音信号的观测序列对该初始值进行训练，也即按照一定的方法对这些估值进行提纯，对提纯了的估值要接着进一步的提纯，直到再没有改进的余地，达到某个局部最佳值为止。传统的训练方法不保证训练得到全域最优解，而且训练所需要的时间非常巨大。本文着重研究了基因算法［4，5］，并按照CHMM的特点构造染色体，用基因算法对CHMM进行训练。基因算法自身的特点使得训练结果趋向于全域最优解。同时，由于只需要用Viterbi算法计算语音的观测序列对某一CHMM模型的相关 概率，用作基因算法的适应函数，故该算法可以提高CHMM的训练速度。……