该文是作者于攻读硕士学位期间在说话人识别方面所做研究工作的总结.为了有效地抽取表征说话人身份的语音特征,该文根据MFCC和基音频率各自从不同的侧面反映了说话人身份的特点,提出一种基于基音频率的动态MFCC特征提取方法.该文还讨论了基于高斯混合模型(GMM,Gaussian mixture model)的分类器设计问题.高斯混合模型是说话人识别系统中常用的一种分类模型.一般情况下,用GMM进行统计建模的优劣不仅取决于其参数值,还与模型结构密切相关.特别地,当训练的数据较少时,GMM模型结构的选择变得非常关键.而在实际系统中,可获得的语音数据是有限的,使用预先确定的统一结构会使部分GMM缺乏合适的结构及相应的参数,导致系统的辨识性能下降.针对上述问题,该文提出在作期望最大化估计前,通过对不同说话人的训练用特征矢量进行聚类分析,以解决有限训练数据情况下说话人GMM模型混合度选择、估计参数初始值选定等问题,获得有效的GMM模型.实验结果表明,论文中所提出的方法在实际中能够获得很好的识别性能.和基于传统的固定MFCC特征设计的说话人识别系统相比,基于说话人动态MFCC特征设计的说话人识别系统的性能有较大提高,尤其是它对噪音的鲁棒性有明显的改进.此外,相关实验也验证了该文所提出的运用聚类分析确定GMM-分类器最佳混合度方法的有效性.