说话人识别以其独特的方便性、经济性和准确性等优势在公安、司法、声控以及军事等领域有着广阔的应用前景。如何从大量的语音数据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领域研究的热点。针对支持向量机法(Support Vector Machine,SVM)和核Fisher判别方法(Kernel Fisher Discriminant,KFD)存在的问题,本文提出了自己的解决方案。1.针对说话人识别中语音数据维数高和识别模型训练慢的问题,提出基于主分量空间的PCA分类方法和基于截断误差空间的PCA分类方法,在保证识别性能的情况下,可以有效地降低后续阶段的计算复杂度。2.针对SVM不能直接处理动态时间序列语音数据的问题,提出一种基于添加原始分类信息Fisher分值法(AOI-Fisher score)的序列特征提取方法。为了解决AOI-Fisher分值法计算复杂度高的问题,采用PCA对MFCC参数进行降维的同时筛选出可能的目标说话人,缩小说话人的范围,减少输入样本的数量。该方法可以提高SVM在整体语音数据上进行分类的性能,同时又可降低系统的建模时间。3.提出一种基于TES-PCA和核Fisher判别(KFD)的多级说话人确认方法。PCA分类器实现简单,可以快速的判断出可能的目标说话人,然后采用KFD进行最终的说话人确认。该方法克服了KFD的计算复杂度随着样本规模的增大而提高的缺陷。相比于传统的SVM分类器和KFD分类器,仿真实验结果表明多级分类器具有较高的识别率,同时在建模时间和识别速度方面占有较大的优势。