1.一种语音识别方法，其特征在于，所述语音识别方法包括：步骤S100：输入语音信号，使用梅尔频率倒谱系数MFCC提取语音信号的特征向量；

步骤S200：将提取的MFCC特征向量输入到狄利克雷分布混合模型中以计算观测概率，其中使用变分推断来更新优化模型参数；

步骤S300：将所述MFCC特征向量和所述观测概率输入隐马尔科夫模型HMM以便对所述语音信号的时间序列结构进行建模；

步骤S400：根据所述语音信号中的隐马尔科夫模型HMM的观测序列概率，判断并提取词语。

2.根据权利要求1所述的语音识别方法，其特征在于，所述步骤S100：输入语音信号，使用梅尔频率倒谱系数MFCC提取语音信号的特征向量的步骤进一步包括：步骤S101：预加重所述语音信号，以补偿所述语音信号中受到压抑的高频部分；其具体包括：S'n＝Sn‑k*Sn‑1

其中：S表示语音信号，Sn＝{S0,…,SN‑1},n＝0,…,N‑1；S'表示处理之后的语音信号，Sn'＝{S'0,…,S'N‑1},n＝0,…N‑1；k∈[0.9,1]；

步骤S102：使用汉明窗对所述语音信号进行加窗处理，用于平滑所述语音信号：其具体包括：步骤S103：将所述语音信号中的时域信号转换成频域信号，以进行频率分析；其中，幅度频：其中，i表示第i帧,k表示傅里叶点数；

功率谱：

步骤S104：使用梅尔克度滤波组过滤所述频域信号；

步骤S105：使用log非线性描述能量值；

步骤S106：通过离散余弦变换获取频率谱的低频信息；其中，步骤S107：通过差分增加语音信号的特征的时域连续性，其中，其中，dt表示第t个一阶差分，ct表示第t个倒谱系数，θ表示一阶导数的时间间隔；

步骤S108:倒谱均值归一化以获取语音信号的特征参数。

3.根据权利要求1所述的语音识别方法，其特征在于，所述步骤S200：将提取的MFCC特征向量输入到狄利克雷分布混合模型中以计算观测概率，其中使用变分推断来更新优化模型参数的步骤进一步包括：狄利克雷分布混合模型模型式为：

其中， 表示混合系数， 是第j个混合分量的狄利克雷分布。

4.根据权利要求1所述语音识别方法，其特征在于，所述步骤S300：将所述MFCC特征向量和所述观测概率输入隐马尔科夫模型HMM以便对所述语音信号的时间序列结构进行建模的步骤进一步包括：步骤S301：初始化分布参数，选择混合分量的数量，使用K‑means算法初始化超参数{ujl}和{vjl}的值，其中，M为混合分量数，N为输入样本数量，表示伽马分布，Z表示M维二元随机变量；

其中：

注：<·>表示期望，Γ表示伽马函数；

超参数更新迭代式如下：

其中Ψ和Ψ'分别表示digamma函数和trigamma函数；

5.根据权利要求4所述的语音识别方法，其特征在于，所述步骤S300：将所述MFCC特征向量和所述观测概率输入隐马尔科夫模型HMM以便对所述语音信号的时间序列结构进行建模的步骤进一步包括：步骤S302：变分推断求解模型参数；

步骤S300进一步包括步骤S303：变分E步，更新Q(z)和 计算其最大似然估计值；

步骤S300进一步包括步骤S304：变分M步，最大化下界L(Q)，求得的最大似然估计值来计算参数的值；

步骤S300进一步包括步骤S305：重复上述步骤S302和步骤S303，直至算法收敛。