与文本无关的说话人识别的研究,由于其实用性,成为当今语音识别领域中的热门课题,经过几十年的发展,已经取得了巨大进展。尽管在实验室环境下,说话人识别系统已经取得了比较令人满意的效果,但在实际使用过程中,由于受各种外界因素的影响,使得系统性能明显下降。其中影响性能的主要原因之一是训练和测试语音信号的编码不匹配问题。尤其是近年来,由于数字语音通信系统的广泛应用,说话人识别系统在实际环境中所能获得的训练语音和测试语音的编码往往不同,这时的说话人识别就面临着由于训练和测试语音编码不同而产生的不匹配问题,这将对系统的性能产生很大的影响。解决编码不匹配问题是提高说话人识别性能,增强系统实用化程度的关键之一。本文主要研究有效克服编码失配对说话人识别系统性能影响的补偿方法,以提高编码失配下的系统性能,主要从模型域和得分域进行补偿。在基于混合高斯模型-通用背景模型的说话人识别系统上,对码速率在64kb/s~5.15kb/s之间的语音编码进行实验,分析编码算法、编码速率及编码失配对说话人识别系统性能的影响;针对编码失配使说话人识别系统性能下降的问题,采用说话人模型合成和帧似然概率变换两种方法进行补偿。说话人模型合成方法是一种基于预测的模型补偿方法,它通过特定编码的通用背景模型,学习不同编码模型的参数变换关系,调整训练语音模型参数来匹配测试语音编码;在应用了模型合成方法的系统中,引入帧似然概率变换方法,通过帧似然概率变换,增大测试语音在目标模型与非目标模型上的得分差距,从而提高系统识别率。实验表明,说话人模型合成方法能够有效克服编码失配对识别系统性能的影响,与帧似然概率变换方法的联合使用,更进一步提高了编码失配下系统的识别率。