随着人工智能科技的蓬勃发展,声纹识别逐步受到人们的重视。声纹识别作为生物识别技术的一种,有着很高的商用价值,例如在智能终端、语音助手、人机交互与信息安全等民用及军用领域都发挥着重要的作用。本文分析了深度学习方法在声纹识别领域表现优异的原因,认为在特征提取与融合、损失函数等方面可以做出改进,对改进算法的声纹辨识准确度和模型鲁棒性进行了探讨。本文重点工作和算法创新点如下。首先,因为基于深度学习的声纹识别方法在很大程度上依赖充足的数据集,尤其是在无约束条件下更接近于真实环境、复杂度更强的数据。但现在开源语音数据集的数据类型过于单一,与实际应用环境下采集到的语音存在着一些差异,并且能够使用的中文数据集很少。针对上述问题,本文提出并采集了一个数据类型更加丰富、更接近于真实环境下采集到的无约束中文语音数据集。其次,针对在无约束条件下语音数据集声纹特征提取不充分的问题,基于注意力机制设计新型的二维卷积残差网络结构应用于声纹特征提取。分别通过SE模块和CBAM模块对残差网络中的残差块结构进行改进,得到SE-Cov2d和CSA-Cov2d模型。经实验证明,注意力机制能够帮助网络关注到更重要的特征信息,在特征提取中融合出更具差异性的特征。最后,本文受到人脸识别领域新提出的MagFace损失良好的设计理念启发,提出一种应用在声纹识别领域的损失函数MagSpeaker。同时提出一种多层特征聚合方法,利用跳跃连接和特征拼接的方式进行网络多层信息的补充提升模型识别能力,还使用一种在频谱上添加随机mask的数据增强方法进一步提升模型在小数据集上的性能表现。实验结果表明,以上改进可以提高数据样本的类内紧凑性和类间差异性,加快模型的收敛速度并且具有良好的模型鲁棒性。