Een flexibel en doordringend communicatiesysteem zoals spraak tussen individuen vormt de basis voor het complex sociaal gedrag en de intelligentie van die individuen. Derhalve zou spraak ook de basis kunnen vormen voor een natuurlijke interactie van de mens met machines. Dit vereist dan onder meer dat de machine spraak kan verstaan. In dit proefschrift wordt het potentieel van Reservoir Computing Networks (RCNs) onderzocht. In RCNs zijn de neuronen recurrent met elkaar verbonden. Dit heeft voor gevolg dat een RCN zich gedraagt als een niet-lineair dynamisch systeem dat de relevante dynamische eigenschappen van spraak kan modeleren. De recurrente verbindingen hebben weliswaar vaste (niet getrainde) gewichten, maar de gewichten van de lineaire uitgangsneuronen zijn het resultaat van een trainingsproces. Een groot voordeel van RCNs is dat ze veel eenvoudiger en robuuster te trainen zijn dan conventionele recurrente netwerken waarvan alle gewichten getraind worden. In dit werk worden RCNs toegepast voor de herkenning van spraak en handschrift in de aanwezigheid van achtergrondruis. Er worden fundamentele RCN-ontwerpmethodes ontwikkeld en er wordt een statistische raamwerk uitgewerkt voor de integraties van de RCNs in een spraakherkenner. De bereikte prestaties overtreffen de stand van de wetenschap en bieden nog veel marge voor verdere verbeteringen.