说话人识别在干净语音条件下已取得不错的识别率,但由于噪声的存在,语音信号会发生畸变,造成训练环境与测试环境的不匹配,严重影响了系统的识别率。如何从复杂的噪声背景中提取反映说话人个性特征的语音参数和设计行之有效的分类器是说话人识别应用于实际的一个难点。针对上面存在的问题,本文从噪声环境下语音参数的提取和分类器的设计这两个方面出发,提出自己的解决方案,并通过实验来验证其可行性。本文的主要工作包括：1.针对说话人识别中混合噪声环境影响语音识别准确率的问题,考虑将ICA算法进行改进并应用于语音信号的去噪过程,基于独立分量分析的盲源分离算法的传统实现都是基于梯度的,其收敛性能及求解性能均取决于学习步长的选择,而且收敛速度较慢。为了克服这些缺点,提出一种粒子群算法改进的独立分量分析算法,对语音特征参数MFCC系数进行增强。试验结果表明,改进的ICA算法可以快速有效地得到BSS的最优解,能有效地抑制环境噪声,从而提高语音质量。2.针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数,实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度仿真结果表明改进的WQPS-classifier和其它分类器相比,有较好的抗噪性能和识别速度。