关键字识别（KWS）是智能设备上终端和服务机器人的人机交互的主要组成部分，其目的是最大程度地提高检测精度，同时又要减小占用空间。 在本文中，基于DenseNet提取局部特征图的强大功能，我们为KWS提出了一种新的网络体系结构（DenseNet-BiLSTM）。 在我们的DenseNetBiLSTM中，DenseNet主要用于获取局部特征，而BiLSTM用于获取时间序列特征。 通常，DenseNet用于计算机视觉任务，它可能会破坏语音音频的上下文信息。 为了使DenseNet适合KWS，我们提出了一个变体DenseNet，称为DenseNet-Speech，它在过渡层的时间维度上删除了池以保留语音时间序列信息。 此外，我们的DenseNet-Speech使用密度较小的块和过滤器来使模型保持较小，从而减少了移动设备的时间消耗。 实验结果表明，DenseNet-Speech的特征图可以很好地维护时间序列信息。 就Google Speech Commands数据集的准确性而言，我们的方法优于最新方法。 对于具有223K可训练参数的20条命令识别任务，DenseNet-BiLSTM能够达到96.6％的精度。
