标题中提到的“双向广义可变参数HMM的卷积神经网络瓶颈特征”，所涉及的知识点可以分解为以下几部分：
1. 双向广义可变参数隐马尔可夫模型（GVP-HMM）：
隐马尔可夫模型（Hidden Markov Model，HMM）是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。在语音识别领域，HMM是传统的声音模型技术。而广义可变参数HMM（Generalized Variable Parameter HMM，GVP-HMM）是一种对传统HMM的改进模型，它通过引入广义参数使得模型的参数能够随时间或其他条件变化，从而具有更好的表达能力。
2. 卷积神经网络（CNNs）：
卷积神经网络是一种深度学习模型，广泛应用于计算机视觉领域，如图像识别和物体检测等。CNN能够通过卷积运算和池化操作有效地提取输入数据的特征，减少模型对输入数据位置变化的敏感性。近年来，CNN也被成功应用于语音识别的声学建模中。
3. 瓶颈特征（Bottleneck Features）：
瓶颈特征通常指在深度神经网络中，经过隐藏层提取的特征，它们可以认为是将输入数据压缩到一个“瓶颈”结构中。在这个瓶颈层中，数据的维度会被显著减少，但同时保留了用于区分不同类别的重要信息。在语音识别领域，瓶颈特征是指经过CNN深度提取的特征向量，这些向量被证明包含有区分性且富含上下文信息。
4. 声学模型的融合：
将CNN产生的瓶颈特征和传统的声学特征相结合，形成级联框架，是一种常见做法。在融合过程中，CNN瓶颈特征能够与传统的声学特征互补，从而提升声学模型的整体性能。
从描述中我们可以看出，本文提出了一种新的方法，即基于双向GVP-HMM的框架，使用多项式函数来建模连续的声学特征空间HMM参数以及对CNN瓶颈特征的模型空间线性变换。通过这种方式，可以自动学习到每个方向上最优的GVP-HMM模型结构，这些结构由局部变化的多项式参数和度数来确定。此方法在Aurora4任务中达到了12.22%的字错误率，并且在使用CNN瓶颈特征的二级麦克风通道条件下，比基于传统tandem HMM系统获得了18.09%的相对误差率降低。
综上，本研究论文关注于如何将CNN的深度学习能力与传统的GVP-HMM模型结合，以提升语音识别的准确性和鲁棒性。该研究的贡献点在于：
- 提出了一种新的结合CNN和GVP-HMM的声学模型框架。
- 使用多项式函数对声学特征空间的HMM参数和模型空间线性变换建模，以捕捉两者之间的复杂关系。
- 采用模型选择技术自动学习双向GVP-HMM模型的最佳结构。
另外，文中的介绍部分提到了CNN在语音识别中的成功应用，以及将CNN集成到基于HMM的声学模型中的两种方法。一种是在混合架构中的应用，另一种则是在级联框架中。通过CNN能够更有效地降低语音信号中的平移方差，这对声学建模来说至关重要。研究者们对CNN和GVP-HMM的结合进行了深入探讨，以期得到更好的语音识别结果。
