针对视听语音识别技术存在的数据需求量大、音视频数据对齐、噪声鲁棒性等问题，深入分析了联结主义时序分类器、长短期记忆神经网络、Transformer、Conformer四类核心模型的特点与优势，归纳了各模型的适用场景，并提出了优化模型性能的思路和方法。基于主流数据集和常用评价标准，对模型性能进行了量化分析。结果表明：CTC在噪声条件下性能波动较大，LSTM能有效捕捉长时序依赖，Transformer和Conformer在跨模态任务中可显著降低识别错误率。最后，从自监督训练和噪声鲁棒性两个层面，展望了未来的研究方向。