در این پایان‎نامه دو روش استخراج ویژگی جدید که برای بازشناسی گفتار مفید است، ارائه شده است. ایده اصلی این پایان‎نامه، ارائه یک ساختار منعطف برای بانک فیلتر می‎باشد که به داده‎های آموزشی وابسته است. درحالی‏که سایر روش‎های استخراج ویژگی نظیر mfcc، ساختار بانک فیلتر ثابت و غیرمنعطفی را ارائه می‎دهند. برای پیاده‎سازی هر دو ایده، ابتدا، تعدادی فیلتر یکسان در نظر گرفته می‏شود. سپس، در روش اول، برمبنای حل یک معادله دیوفانتی و در روش دوم، برمبنای چند معیار مهم مانند نرخ ادغام (mr) و اصلاح فیلتر مبتنی‎بر فرمنت (fbfm)، تعدادی از فیلترها با یکدیگر ادغام شده تا ساختار بانک فیلتر نهایی را به‏وجود آورند. هر دو روش پیشنهادی با استفاده از ابزار kaldi پیاده‏سازی شدند و کارایی آن‎ها روی پایگاه‎داده معروف timit مورد ارزیابی قرار گرفت. نتایج به‎دست آمده نشان می‎دهد که روش اول حدود %9/0 و روش دوم، حداقل 1% در مقایسه با الگوریتم استخراج ویژگی mfcc، بهبود کارایی دارد.