本論文提出了以使用者相關回饋提升檢索效能的新架構。過去在語音檢索的領域,有關使用者相關回饋的研究僅限於套用文件檢索領域的技術來修正檢索模型,而本論文提出了以使用者相關回饋來重估測辨識系統的聲學模型參數之新技術。有別於傳統的聲學模型訓練或調適法,本論文以提升檢索效能做為聲學模型訓練的目標,將檢索系統以排序結果進行評估的特性在聲學模型訓練的過程中加以考慮,以及使用沒有標註的資料防止過度適應的情況發生,初步的實驗結果顯示提出的方法可以有效的提升口述語彙偵測系統的效能。 本論文嘗試將長期情境相關回饋、基於範例的虛擬回饋以及基於範例和模型的短期情境相關回饋進行結合,在系統僅從使用者相關回饋得知 5 個口語片段相關性的情況下,凍結排序平均準確率從 0.4819 進步到 0.5433 ,相對進步率為 12.74% ;在系統擁有 60 個訓練查詢詞的相關回饋歷史紀錄之情況下,凍結排序平均準確率從 0.4819 進步到 0.5514 ,相對進步率為 14.42% 。