语者识别,又称说话人识别,作为一种生物认证技术,在身份认证,语音人机交互,网络信息安全,安保等领域有着广泛的应用。虽然在特定条件下,该技术已经达到很好的性能,但是实际应用中经常出现训练和测试语音由于采集环境、信道、编码方式等不匹配造成的语者识别性能下降的情况,这是阻碍语者识别技术发展的瓶颈之一。本文主要对采集的环境及编码方式不匹配情况下的鲁棒性技术进行研究。针对采集环境不匹配问题,主要的研究工作及创新点集中在以下几个方面:1、缺失数据技术是基于数据间存在冗余信息这一结论提出的一种提高环境不匹配时语者识别系统性能的方法,该技术在解决环境不匹配问题上效果显著,但是在低信噪比的情况下,被噪声破坏的数据所占的比例较大,而能够用于重构的观测数据较少,这种情况下对缺失数据的估计性能必然降低。本论文针对这一问题,结合重构的原理提出了基于子带的特征重构方法,通过对本文提出的聚合度水平进行计算,发现将全频带分为子带后,可以极大的提高频带相关性,而重构利用的即为数据间的相关性,因此有效的解决了全频带重构性能低的问题。通过随机去除不同比例的数据和加入不同信噪比的噪声两类情况下进行的识别实验,得到本文提出的重构方法对于解决环境不匹配问题效果更加突出,尤其在缺失数据所占比重较大的情况,比如低信噪比、不平稳噪声等。本方法是特征域的方法,对模型没有依赖性,可以集成于不同的识别系统中,应用非常广泛。2、特征弯折技术是一种特征规整技术,通过将特征映射到其他的域中来解决环境不匹配和信道不匹配等造成的识别性能下降的问题。决定该技术性能的关键是时域窗内特征的相对位置,即序位特征。通过理论分析和实验验证发现,不平稳噪声给频谱引入了非线性的加项,从而破坏了序位特征。本论文针对这一问题,基于序位特征的优势,提出了一种基于序位的特征增强方法,该方法在一定程度上消除了噪声的非线性干扰,很好的解决了特征弯折技术在不平稳噪声情况下性能低的问题。它不仅有效的解决了信道和采集环境不匹配造成的识别率下降的问题,而且有效避免了噪声的非线性干扰。实验表明,本文提出的方法有效的提高了开集语者识别系统在环境不匹配时的识别性能,做为一种特征域的方法,它可以应用于很多模型的语者识别系统中,应用范围较广。由于数字语音通信技术的广泛应用,为了满足存储和传输的需要,语音大多经过了压缩编码处理,但是低码率的压缩编码破坏了语音原有的特征结构及统计分布,进而降低了识别系统的性能。针对编码方式不匹配问题,主要的研究工作及创新点集中在以下几个方面:1、不同的编码方式带来的失真不同,导致在一种编码方式下训练的模型不能很好的描述另一种编码方式下语音的特征,由于身份认证矢量（Identity vector,I-vector）是在通用背景模型（Universal Background Model,UBM）上提取的,当训练和测试阶段的语音编码方式不匹配时,训练的UBM不能很好的描述测试语音,导致提取的I-vector不准确,针对这一问题,本文提出了一种基于模型失真的补偿方法,该方法首先通过特征的失真得到了模型的失真,然后利用测试语音对UBM进行了实时调整,使得训练模型的编码方式与测试语音的编码方式匹配,然后提取了更加鲁棒性的I-vector。本论文首先确定了编解码造成的特征失真对模型造成的影响,然后在估计失真分布的过程中对模型进行了补偿。通过实验结果表明本文提出的方法可以有效的降低编解码对识别性能的影响,而且本方法无需考虑测试语音的编码方式且计算量小。2、为解决训练和测试阶段的语音编码方式不匹配造成的识别性能下降的问题,在上述工作的基础上,本论文从编解码后的语音特征产生的角度出发,提出了一种基于结合模型的补偿方法。该方法首先建立了未编码语音特征和失真特征的结合模型,然后利用测试语音和结合模型对UBM进行了实时调整,使之对应的编码方式与测试语音的编码方式匹配程度更高,然后提取了更加鲁棒性的I-vector。通过对不同编码方式的测试语音进行语者识别实验,表明,本文提出的方法可以有效的解决编解码不匹配问题,尤其在编码速率较低情况下,本文提出的方法效果更加明显。另外,本方法对调整模型参数的语音数量要求不高,适合于语料不充分的识别系统,也可以实时处理。