端到端语音识别模型将声学模型和语言模型集成为一个整体,不需要人工对齐音频与文本,能够直接将音频转换为文本。基于注意力机制的序列到序列模型是端到端语音识别的一种实现,并在英文数据集Librispeech上取得了SOTA的识别结果。本文以基于注意力机制的序列到序列模型为基础开展蒙古语在线语音识别研究,其中存在以下几个问题:（1）蒙古语数据集是低资源语料,即有标注的蒙古语音频匮乏且地区分布不均衡。低资源蒙古语数据集用于训练基于注意力机制的序列到序列模型时,会发生模型过拟合部分地区数据的问题。（2）基于注意力机制的序列到序列模型首字延迟过高,不能满足在线语音识别任务的需要。针对这些问题,对低资源的蒙古语在线语音识别开展了如下工作:（1）针对蒙古语数据集中有标注数据匮乏的问题,结合数据集中地区分布不均衡的特点,本文提出了指定地区的对抗生成模型。模型通过条件语音生成器和多项融合判别器的对抗学习,生成具有指定地区特征和对应蒙古语文本的蒙古语音频。实验表明,指定地区扩充一倍容量后的蒙古语数据集与原蒙古语数据集相比,在基于注意力机制的序列到序列模型上的字错率由5.1%降低至3.5%。（2）针对基于注意力机制的序列到序列模型中首字延迟过高的问题,结合语音识别任务中音频特征与文本之间单调线性对应的特点,本文提出了窗长控制的在线语音识别模型。模型通过延迟控制编码器和阶段对齐注意力机制实现了流式解码,并对比模型窗口策略得到最优参数。实验表明,改进后的模型相较于原始模型的首字延迟降低约33.3%,而字错率和句错率损失仅为6.4%和8.5%。（3）为了将蒙古语在线语音识别模型应用到在线环境中,本文设计并实现了具有语料采集、模型训练和在线识别等功能的实验系统。通过构建蒙古语在线识别系统,进一步验证蒙古语在线语音识别模型的可行性和有效性。