关键词检测（KWS）是实现智能设备基于语音的用户交互的关键组件。为了提供良好的用户体验，它需要实现实时响应和高精度。近年来，由于神经网络在准确性方面优于传统的语音处理算法，因此成为KWS架构的一个有吸引力的选择。由于KWS应用具有始终开启的特性，其功耗预算受到严格限制，通常运行在内存和计算能力有限的微控制器上。设计用于KWS的神经网络架构必须考虑这些约束条件。在这项工作中，我们对在资源受限的微控制器上运行KWS的神经网络架构进行了评估和探索。我们训练了文献中发表的各种神经网络架构，以比较它们的准确性和内存/计算需求。研究表明，可以在不牺牲准确性的前提下优化这些神经网络架构，使其适应微控制器的内存和计算约束。我们进一步探讨了深度可分离卷积神经网络（DS-CNN），并将其与其他神经网络架构进行对比。DS-CNN实现了95.4%的准确性，比参数数量相似的DNN模型高出约10%。