针对标注神经网络训练数据的成本日益增加与噪声干扰阻碍语音识别系统性能提升的问题，提出一种基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法。首先，在预处理阶段提取原始语音样本的三个人工特征；然后，在训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征；同时，把特征提取前端与语音识别后端进行交叉训练，并合并它们的损失函数；最后，通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征，从而实现人工知识迁移与去噪，并高效利用了训练数据。在军事装备控制的应用场景下，基于加噪后的THCHS-30、希尔贝壳数据集AISHELL-1与ST-CMDS这三个开源中文语音识别数据集以及军事装备控制指令的数据集上进行测试，实验结果表明，基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法词错率可以降低到0.12，不仅可以实现对鲁棒性语音识别模型的模型训练，同时通过自监督知识迁移提高了训练样本的利用率，可完成装备控制任务。
