说话人识别是一种利用语音信号来验证身份信息的生物识别技术。现实中,说话人识别系统受制于语音中的噪声,系统的识别性能降低。说话人识别朝着商业应用发展,并且在噪声较强环境下的说话人识别正成为研究热点。而现有的技术在强噪声的低信噪比环境下,性能大幅下降。这对说话人识别提出了新的要求。目前低信噪比环境下的说话人识别存在三个待解决的关键问题。1.现有的说话人识别特征参数,在低信噪比的环境下,其自身鲁棒性急剧下降,无法满足说话人识别对特征参数的要求。2.在低信噪比环境下,现有的特征补偿方法性能下降,无法有效地提高特征参数的鲁棒性。3.现有说话人识别模型在低信噪比环境下性能降低或只能针对某类特殊噪声鲁棒性较好。论文在对噪声环境下的说话人识别进行深入研究的基础上,对于以上三个待解决的关键问题,分别研究了低信噪比环境下的鲁棒特征参数、特征补偿和识别模型。主要研究内容和创新点如下。1.针对低信噪比噪声环境下,说话人识别的特征参数鲁棒性下降的问题,论文提出感知语谱规整耳蜗滤波倒谱系数的特征提取方法。方法先构建符合耳蜗基底膜行波冲激响应及非线性频率分布的耳蜗滤波器组,使特征参数的提取过程在频域中拟合心理声学实验结果从而提高特征参数的鲁棒性。再由人耳感知特性的语音增强以及一个时-频域的二维增强,通过二维数据的边界检测得到感知语谱规整参数。并把耳蜗滤波器组的输出进一步规整为时-频域鲁棒性更好的感知语谱规整耳蜗滤波倒谱系数。实验结果表明,在所有测试的信噪比条件下,论文提出的特征参数,在所有实验噪声中的平均识别率,分别比另外三种特征参数高出26.6%,22.2%以及18.5%,而在-10d B到10d B的信噪比条件下,提出的特征参数在所有条件中获得了最好的识别率。在低信噪比条件下,提出的感知语谱规整耳蜗滤波倒谱系数对不同噪声都具有相对较好的鲁棒性。2.针对低信噪比说话人识别中特征补偿方法鲁棒性下降的问题,提出了一种采用感知听觉场景分析的特征补偿方法。先求取语音的缺失数据特征谱,并由语音的感知特性求出感知特性的语音含量。含噪语音经过感知特性的语音增强和对其语谱的二维增强后求解出语音的分布,联合感知特性语音含量和缺失强度参数提取出感知听觉因子。再结合缺失数据特征谱把特征补偿的过程分解为不同听觉场景进行区分地分析和处理,从而增强特征参数的鲁棒性能。实验结果表明,在-10d B到10d B的低信噪比环境下,对于四种不同的噪声,提出的方法比另外五种方法的鲁棒性均有提高,平均识别率分别提高26.0%,19.6%,12.7%,4.6%和6.5%。论文提出的方法,是一种在时-频域中提高语音特征鲁棒性的方法,更适合于低信噪比环境下的说话人识别。3.针对低信噪比说话人识别中模型鲁棒性下降的问题,提出了一个混合条件噪声场模型。它通过分数阶离散转移函数,把White噪声作为基噪声,Pink噪声作为指导噪声,构建了一个从白噪声到棕色噪声渐变的一系列有色噪声。并且以不同的信噪比加入到训练语音中,然后构建一个拥有各种噪声条件和各种信噪比条件的混合条件噪声场。再对混合条件噪声场中的每个说话人语音都构建模型,形成混合条件噪声场模型。识别时先在混合条件噪声场模型的每个说话人模型中找到匹配的混合条件噪声场模型,再在所有说话人中识别出说话人。实验结果表明,在所有的四种实验噪声中,提出的模型在-10d B到10d B信噪比下的平均识别率,分别比基线模型和另外两种参考模型高出42.7%,32.2%以及21.1%。提出的说话人识别模型更适用于低信噪比的环境。