目前的说话人识别系统对纯净语音已经可以达到很高的识别精度,但实际环境中无处不在的噪声带来了训练模型和测试语音之间的失配,使得噪声环境中说话人识别系统的识别率急剧下降。因而抗噪声的研究是说话人识别系统实用的关键。抗噪声说话人识别的目的是尽量减小或者消除噪声所带来的训练模型和测试语音之间的失配,使得识别性能尽可能接近训练环境下的性能。噪声所带来的失配可以映射到信号空间、特征空间和模型空间,因此抗噪声的方法也可以从这三个空间来考虑。本论文的主要工作也是从这三个方面展开。在特征空间提出了一种改进的特征PL_MFCC,在模型空间提出了直接倒谱加权的GMM模型。并且将这两种方法和其他的有效的抗噪声方法如MMSE和Log-Add融合,研究和比较了多种融合方案。论文首先针对MFCC特征对噪声较敏感的缺点,用一个新的函数来代替MFCC提取过程中的log函数,从而提出了一种新的鲁棒的特征PL_MFCC,并且和语音增强方法相融合。实验结果表明,PL_MFCC系统,PL_MFCC与语音增强的融合系统都可以有效提高低信噪比中的系统性能。而且PL_MFCC和MMSE的融合系统效果最好。根据各维特征鉴别能力的不同,在识别时直接对各维特征加权,提出了直接倒谱加权的GMM,并将其和MMSE融合,从而进一步提高了噪声中的识别率。论文最后还研究和比较了几种融合方案,包括MMSE和Log-Add的融合方法MMSE+LA,Log-Add和直接倒谱加权GMM的融合方案LA+CW,MMSE、PL_MFCC和直接倒谱加权GMM的融合方案MMSE+PL+CW。实验结果表明,LA+CW 和MMSE+PL+CW 可以显著提高系统性能。