經過幾十年的研究與發展，語音識別建立了以隱馬爾可夫模型（Hidden Markov Models，HMM）為基礎的框架。近幾年，在HMM基礎上深度神經網絡(Deep Neural Network，DNN)的應用大幅度提升了語音識別系統的性能。DNN將每一幀語音及其前后的幾幀語音拼接在一起作為網絡的輸入，從而利用語音序列中上下文的信息。DNN中每次輸入的幀數是固定的，不同的窗長對最終的識別結果會有影響。遞歸神經網絡（Recurrent neural network，RNN）通過遞歸來挖掘序列中的上下文相關信息，在一定程度上克服了DNN的缺點。但是RNN在訓練中很容易出現梯度消失的問題，無法記憶長時信息。長短期記憶單元（Long Short-Term Memory，LSTM）通過特定的門控單元使得當前時刻的誤差能夠保存下來并選擇性傳給特定的單元，從而避免了梯度消失的問題。本文對RNN及LSTM的基本原理進行了介紹，并且在TIMIT語音數據庫上進行了實驗。實驗結果表明，LSTM型遞歸神經網絡在語音識別上的可以取得較好的識別效果