说话人确认是一项根据说话人的声音特性进行身份验证的生物识别技术。随着科技的发展,说话人确认领域的研究已经取得了巨大的进展,并在实际应用中逐渐发展壮大。如何从大量语音数据中凝练出准确的说话人身份信息,成为说话人确认任务中最值得关注的问题。为此,需要深入研究能够代表说话人身份特性的特征表示。然而,目前方法未能充分利用说话人特征空间、说话人特征表示中隐藏的潜在信息。针对这一问题,本文将围绕如何充分利用说话人特征空间的先验信息、降低说话人特征空间受类别失衡的影响、挖掘说话人特征表示之间的相关性信息来进行研究,以此提升说话人确认系统的准确性。具体研究内容如下:（1）在充分利用说话人特征空间先验信息方面,提出基于贝叶斯主成分分析的说话人确认方法。此方法将贝叶斯主成分分析引入到总变化空间的学习过程中,利用先验分布来补充开发集数据中欠缺的信息。在先验信息的约束下能够凸显总变化空间中有效维度的作用,削弱无效维度的影响。进而增加总变化空间中包含的有效信息,最终提升其对说话人信息的表示能力。实验结果表明,在开发集数据量匮乏的情况下,相比于传统的总变化空间学习方法,所提出方法能够有效补充说话人信息,提升系统性能。（2）在降低说话人特征空间受类别失衡的影响方面,提出基于类别贡献平衡的说话人确认方法。此方法将平衡不同类别数据对特征空间的贡献作为优化目标,其在多分类交叉熵损失的基础上通过引入类别平衡因子,来均衡控制各类说话人特征对网络模型训练的影响,从而在提升模型对小规模样本类别数据的关注度的同时,保证大规模样本的关注度,以便从数据中更公平地挖掘出潜在的说话人信息。实验结果表明,与典型的多分类损失函数相比,所提出方法能够有效缓解类别失衡的影响,从而提升系统的性能。（3）在挖掘说话人特征表示之间的相关性信息方面,提出基于深层信息散度最大化的说话人确认方法。此方法将能够计算分布间相似度的信息散度引入到目标函数的表示过程中,以最大化说话人特征之间的统计相关性作为神经网络的优化目标,来挖掘同类特征之间必然存在的潜在相容性信息,并提升异类特征在特征空间的差异性。从而更加准确地刻画深层特征空间的抽象关系,最终有效提升说话人特征表示的区分性。实验结果表明,相对于其他深度学习方法,所提方法显著提升了说话人确认系统的性能。