1、說話人識別是根據人特有的語音信號識別說話人身份的一種生物認證技術。說話人識別的關鍵技術包括兩個方面：一是如何從數據量相當大的原始語音信號中提取出反映說話人聲音特色的特征參數；二是如何設計識別能力強的分類器。 本文對說話人識別系統(tǒng)的研究分別從特征提取與分類器設計兩方面進行。 對于特征參數的提取，在對目前存在的單一主流特征進行研究的基礎上，對基于聲道的線性預測倒譜系數和基于人耳聽覺特性的Mel頻率倒譜系數及二者的差分系數進行

2、了一系列特征組合研究，將研究結果應用于文本無關說話人識別，并對各種多參數組合特征進行了評價，通過計算機仿真實驗，表明所采用的多參數組合特征有利于改善識別效果。為了降低組合特征的維數、縮短訓練和識別時間，提高系統(tǒng)識別效率，研究了主成分分析和核主成分分析的最優(yōu)降維性質在文本無關說話人識別中的應用。核主成分分析方法采用非線性方法提取主成分，是主成分分析的改進算法。本文提出了利用核主成分分析選擇合適的核函數在高維空間提取組合特征主成分的方法，各

3、組合特征經過核主成分分析降維，損失的特征信息最少，在保證識別性能的同時，后續(xù)階段的計算開銷將會大大減少。實驗結果表明，核主成分分析不僅實現了合理降維，而且能取得比傳統(tǒng)主成分分析更好的識別性能。 對于分類器的設計，主要應用人工神經網絡技術，設計了基于概率神經網絡的說話人識別系統(tǒng)。針對概率神經網絡訓練樣本的數目比較大時，存在的內存需求巨大和運算時間較長的問題，將模糊C-均值聚類算法引入概率神經網絡分類器。融合兩者的優(yōu)點，提出了基于模