随着数字信息和日常生活信息交流的多元化发展,个人身份认证是人们参与社会活动的重要保障,以语音作为人机交互方式的说话人识别,是生物认证发展的一个方向。说话人识别基于语音信号处理技术,提取语音特征参数,建立说话人模型,并完成身份鉴定,具有便捷性和可靠性等优点,在刑事侦查、电话银行系统、计算机远程登录、门禁系统等领域,具有广阔的应用前景,受到越来越多研究者的重视。　　目前说话人识别在实验室环境下取得了令人满意的结果,但说话人识别技术在实用过程中还存在诸多问题,需要进一步的研究。本文从说话人识别系统的整体着手,分析了语音前段处理的重要性,详细地阐述了特征参数的研究现状,介绍了目前应用于说话人识别的常用模型,并对其进行分析比较。本文的主要研究内容如下:　　(1)由于语音的产生不可避免地要受到环境噪声的影响,使得说话人识别系统的识别率急剧下降,严重影响说话人识别系统的鲁棒性。因此,本文着重研究在不同噪声环境下的语音增强,利用经验模态分解进行语音信号分解,对本征模态函数采用基于谱熵的语音端点检测方法进行去噪,得到的增强语音效果良好。　　(2)提取信号中更具鲁棒稳健的语音特征参数,挖掘更能体现个人特色的语音参数。在说话人识别系统中,由于每个说话人固有的说话特性,由其特征参数的分布可以得到表征说话人语音特性的信息。本文基于MFCC特征参数进行研究,运用二次特征提取引入新的参数?MFCC、 WMFCC和IWMFCC,采用增减分量法分析向量贡献值,去除贡献低的分量,组成新的混合参数。　　(3)分析基于VQ的说话人识别系统的主要技术,建立基于VQ的说话人识别模型,采用LBG算法设计码本,选取均方误差欧式距离作为失真测度,设置不同码本容量的实验。通过实验验证MFCC、MFCC、WMFCC和IWMFCC及其混合参数的识别效果,实验结果表明,混合特征得到了更好的识别性能。