近距离场景下的语音识别已经达到了令人满意的结果,但是由于受到噪声和混响等因素的影响,远距离场景下的语音识别依然具有很大的挑战性。和单路麦克风相比,麦克风阵列波束形成已经成为远场下语音智能获取与识别的重要组成部分。深度神经网络因其具有强大的建模能力,在语音识别领域中已展现出巨大的优势。因此,基于波束形成与深度神经网络的远距离语音识别成为近些年来人们的研究热点。论文以麦克风阵列和深度神经网络相关算法为基础,描述了远距离语音识别的基本理论,阐述了语音识别基本流程,分析了如何利用波束形成进行语音增强,详细描述了语音识别现阶段采用的两大类声学模型,即DNN-HMM声学模型和端到端的声学模型,以及语音识别解码的基本算法。在此基础上,论文展开了在远距离场景下结合语音增强进行语音识别的方法研究。针对传统方法将语音增强和语音识别作为两个独立过程分别处理的情况,论文给出了两种改进方案。考虑到在噪声和混响环境下多通道互相关系数信息鲁棒性更强,论文首先提出了一种基于改进波束形成器网络的远距离语音识别方法,该方法采用多通道互相关系数信息作为波束形成器网络的输入特征来估计MVDR波束形成器参数。该方法在提高原算法识别性能的同时,降低了运算复杂度,减小了系统训练时间。其次,论文提出了一种基于注意力机制声学模型的远距离语音识别方法,该方法将语音增强网络和语音识别模型作为一个整体进行联合处理,并将基于注意力机制网络的语音识别扩展到远距离的场景。仿真结果表明,该方法可以提升系统的识别性能。