1. 研究目的与意义
作为高科技应用领域的研究热点，语音识别（Speech Recognition）技术从理论的研究到产品的开发已经走过了四十多个春秋并且取得了长足的进步，它正在直接与办公或商业系统的数据库语音查询、语音输入，工业生产部门的语声控制（Command 使训练集的性能最优，而是使结构风险最小化使学习后对未知集合的识别错误率最小。
利用最少的支持向量，在错分样本和算法复杂度之间寻找折衷，获得最好的推广能力。
2. 课题关键问题和重难点
1．语音识别的一种重要应用是自然语言的识别和理解。
这一工作要解决的问题首先是连续的讲话必须分解成单词、音节或音素单位，其次是要建立一个理解语义的规则或专家系统。
2．语音的模糊性。
3. 国内外研究现状（文献综述）
统计学习理论（Statistical Learning Theory，简称SLT）是一种专门研究小样本情况下机器学习规律的理论。
该理论针对小样本统计问题建立了一套新的理论体系，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。
V. Vapnik等人从六、七十年代开始致力于此方面研究[1-3]。
4. 研究方案
本课题将会研究基于支持向量机模型在说话人语音中的识别效果，并对这个模型进行分析，讨论不同模式在说话人语音检测中的优缺点，并以此来写文章。
我将严肃进行数据采集筛选，特征筛选。
可使用如下两种模式方法：1.二分模式情感识别 单个的SVM本质上是一个二分模式的分类器，因此我们首先研究支持向量机对单个情感的判别性能。
5. 工作计划
第一周：查找文献资料，对基于支持向量机模型算法的语言种类识别技术有个大体的了解；第二周：对课题中涉及的知识作深入掌握，掌握参数分析方法、基于支持向量机模型算法的语言种类识别技术等；第三周：制定研究计划，写开题报告；第四、五周：学习程序语言以及编程方法；第六、七周：实现参数分析方法软件部分；第七、八周：实现基于支持向量机模型的语言种类识别方法软件部分；第九、十周：实现系统软件联调的主要功能；第十一周：程序修改和完善，结果分析；第十二、十三周：写论文以及准备答辩；第十四周：验收程序，进行毕业设计答辩；
