语音信号作为人类生活与工作中最重要且不可或缺的交流手段,在学界研究领域与业界应用领域受到很高的重视。每个人的语音特征都是独一无二,从理论上讲,语音特征,或者被称为声纹,就像人类的指纹一样,几乎不会有两个人拥有相同的声纹。因此,可以通过对不同人的声纹进行识别,从而实现识别不同人身份的目标。而这种技术,就被称为声纹识别,或者说话人识别。与人脸识别,虹膜识别和指纹识别一样,声纹识别也属于生物识别技术。在过去的半个世纪,声纹识别技术得到了很多的研究与发展。当前的声纹识别技术大都围绕着人类的语音开展,并且传统的声纹识别技术步骤繁琐,难以从整体上进行优化。本文扩展了声纹识别技术的使用场景,将猕猴语音作为研究对象。同时在模型方面,研究了基于端到端神经网络的声纹识别模型,将猕猴发声语音映射到高维的嵌入空间中,通过比较猕猴的说话人嵌入距离判决相似度。针对猕猴的发声特点,本课题参考了例如MFCC,LPCC等常用的人工设计的输入特征,进一步引入了可解释性的卷积滤波器作为本文设计的端到端模型的输入模块,以猕猴音频的原始波形作为输入,在经过卷积滤波器的处理后输入到以Deep Speaker模型为核心的骨干网络。Deep Speaker网络能够通过前馈深度神经网络从语句中提取帧级特征。然后,利用池化层与长度归一化层生成语句级别的说话人嵌入。在网络设计中采用了三元组损失函数。同时引进了特征压缩与奖励模块,使模型能关注到通道间的关系,提升模型的性能表现。本文在猕猴语音数据集上进行了实验,通过与其他模型的对比实验,不同训练策略的对比实验,以及自身模型的消融实验,分析验证了该模型对猕猴声纹识别的有效性。相较于传统方法和改造前的Deep Speaker方法,本文所提出的模型在声纹识别上具有更高的准确率,在模型的优化上具有更高的整体性。