说话人识别作为生物认证技术的一种，是一项根据语音波形中反映说话人生理和行为特征的语音参数，自动鉴别说话人身份的技术。说话人识别技术以其独特的方便性、经济性和准确性等优势受到世人瞩目，并日益成为人们日常生活和工作中重要且普及的安全验证方式。 在说话人识别系统中，如何提高反映说话人个性的语音信号特征参数的有效性和实时性是关键问题之一。本论文以作者攻读硕士学位期间承担课题的工作为基础，提出一种基于Fisher准则构造混合特征参数和基于BP神经网络进行数据决策级融合的说话人识别方法。本文的工作主要集中在以下几个方面：一、在使用线性预测倒谱系数LPCC和美尔倒谱系数MFCC的基础上利用Fisher准则，构造了一种新的混合特征参数。这种新的参数在不增加系统计算量的同时，结合了LPCC和MFCC各自的优点，具有更好的表征说话人特征的能力，并在一定程度上消除特征的信息冗余，实现了可观的信息压缩，有利于信息的实时处理。 二、基于加权平均的数据融合算法。本文采用BP神经网络确定权值，对不同特征参数的识别结果进行数据的决策级融合。通过实验证明该方法有助于识别率的提高，为说话人识别进行了一种新的探索和尝试。 三、在VC++6.0平台上实现了一个不依赖文本的说话人辨识系统，对上述各种方法进行了实验对比，对实验结果进行了较为详尽的分析，验证了文中所提出的理论和方法的有效性。