（1）采用動態規划（Dynamic Programming）的方法。這是一種運算量較大，但技術上較簡單，正識率也較高的方法。其中的失真測度可以用歐氏距離(適於短時譜或倒譜參數)，也可以用對數似然比距離(適於LPC參數)．決策方法可用最近鄰域准則．
（2）采用矢量量化（Vector Quantization）的方法．它既可用於語音通信中的波形或參數的壓縮，也可用於語音識別．尤其有限狀態矢量量化(FSVQJ）方法，對於語音識別更為有效。決策方法一般用最小平均失真准則。
（3）采用隱馬爾柯夫模型(HMM)的方法，該模型的參數既可以用離散概率分布函數，也可以用最新的連續概率密度函數(如：正態高斯密度，高斯自回歸密度等）。決策方法則用最大后驗概率准則．
（4）采用混合技術的方法。例如：用矢量量化作為第一級識別(作為預處理，從而得出若干候選的識別結果），然后，再用DTW或HMM方法做最后的識別，因此，可有VQ（矢量化）/DTW和VQ/HMM等識別方法．
目前,語音識別的匹配主要應用HMM和DTW兩種算法。DTW算法由於沒有一個有效地用統計方法進行訓練的框架,也不容易將低層和頂層的各種知識用到語音識別算法中,因此在解決大詞匯量、連續語音、非特定人語音識別問題時較之HMM算法相形見絀。HMM是一種用參數表示的,用於描述隨機過程統計特性的概率模型。而對於孤立詞識別,HMM算法和DTW算法在相同條件下,識別效果相差不大, 又由於DTW算法本身既簡單又有效,但HMM算法要復雜得多。它需要在訓練階段提供大量的語音數據,通過反復計算才能得到參數模型,而DTW算法的訓練中幾乎不需要額外的計算。鑒於此,DTW更適合本系統的要求。
參考文檔：