科技的快速发展使得说话人识别系统在日常生活中应用愈来愈广泛,但随之而来的是各种伪装语音对说话人识别系统的攻击。在众多伪装语音中,录音回放攻击凭借其录音设备质量的提高和攻击者不需具备专业知识等优势,对说话人识别系统构成了巨大的威胁。为了保障说话人识别系统的应用安全,检测录音回放攻击变成了亟待解决的问题。为提高录音回放攻击的检测成功率,本文分别提出了两种用于检测录音回放攻击的特征提取方法。分别为基于恒Q变换（Constant Q Transformation,CQT）的倒谱系数和基于图傅里叶变换（Graph Fourier Transformation,GFT）的倒谱系数。人的发声器官的频率范围较多地集中在低频,对信号常用的时频转换方法是短时傅立叶变换（Short-Time Fourier Transform,STFT）,STFT在较低频率下会出现周期截断等问题,会导致语音的频率分辨率较低。恒Q变换可以很好地解决这个问题,为低频提供更高的分辨率,更完整地反应了原有声音的特征。本文提出了基于方差的恒Q倒谱系数（Constant-Q Variance-based Cepstrum Coefficients,CVCC）和基于均值的恒Q倒谱系数（Constant-Q Mean-based Cepstrum Coefficients,CMCC）,两种特征通过在恒Q变换后的幅度谱加入样本的均值和方差,使回放录音中的高频非线性失真得到进一步增强,从而使回放语音与真实语音的差异进一步扩大,有助于系统更好地分辨出回放语音。与传统的数字信号处理相比,图形信号处理能更精准地表示语音采样点之间的相关性,挖掘语音采样点间的更多隐藏信息。使用组合移位算子构造语音图信号,在此基础上对图域的语音信号进行图形傅里叶分析并提取图频率倒谱系数（Graph Frequency Cepstral Coefficients,GFCC）特征。与快速傅里叶变换相比,图傅里叶变换能更准确地表示语音采样点的结构关系,能反应出真实语音和回放语音中的特征细节,有助于回放语音检测成功率的提升。在研究中,使用GFCC特征和轻量卷积神经网络组成的录音回放检测系统,在等错误率（Equal Error Rate,EER）的评价指标下,相比于ASVspoof2017 V2基线系统（CQCC-GMM）,基于GFCC的系统的性能有很大的改进。在等错误率和串联检测成本函数（tandem Detection Cost Function,t-DCF）的评价指标下,基于GFCC的系统的性能很大程度上优于ASVspoof2019的LFCC-GMM基线系统。基于ASVspoof2017 V2评估集的录音回放攻击检测结果表明,本文提出的基于恒Q变换和基于图傅里叶变换的两种录音回放检测系统等错误率分别为14.05%和10.96%,相比于基线系统CQCC-GMM,性能分别有16.29%和28%的提升。基于ASVspoof2019物理评估集的录音回放攻击检测结果表明,本文提出的基于恒Q变换和图傅里叶变换的两种录音回放检测系统的等错误率分别为3.2%和1.51%,相比于基线系统LFCC-GMM,性能分别有76%和89%的提升。实验结果充分表明了两种特征可以有效地抵御录音回放攻击,在一定程度上提高了说话人识别系统在实际应用的安全性。