Hidden-Markov-Modelle (HMM) und parametrische Wahrscheinlichkeitsdichteschätzungen bilden den Kern heutiger Spracherkennerarchitekturen. Während Hidden-Markov-Modelle die zeitliche Variabilität der Sprache gut modellieren, ist es möglich, die akustischen Komponenten sehr viel robuster durch verteilungsfreie Klassifikatoren abzubilden. Zu dieser Gruppe gehört auch die Support-Vector-Machine (SVM), ein elegantes und in vielen Anwendungen nachweislich sehr erfolgreiches Lernverfahren zur Musterklassifikation. In dem vorliegenden Buch wird eine Möglichkeit zur Kombination der Vorteile beider Ansätze zu einem hybriden Gesamtkonzept vorgestellt. Neben der Einführung in die Spracherkennung und der Theorie von Support-Vector-Machines gibt der Autor einen umfassenden Einblick in die eigens entwickelte und frei verfügbare SVM-Trainings- und -Testsoftware für segmentierte Sprachdaten. Auf Grundlage dieser kombinierten Architektur wird die Leistung des Spracherkenners algorithmisch realisiert, experimentell untersucht und bewertet. Das Buch richtet sich an Entwickler und Forscher, aber auch an Studenten des höheren Semesters.