语言是人类最重要的交流工具,其具有便捷、高效和准确的特征。同时语音作为语言的声学表现形式在日常生活中占据着重要的地位。随着计算机和物联网等技术的不断发展,智能产品逐渐渗入到人们生活的方方面面,如何高效地进行人机交互成为学术界和工业界的研究热点。尤其是随着深度学习和人工智能的发展和流行,利用深度神经网络强大的表征能力和泛化性能来实现语音信号的处理成为了一种趋势。而且在AIOT的推动下,语音信号处理在智能家居、无人驾驶以及语音控制等领域展现了强大的实用性,因此对语音信号进行探索和研究具有重要的意义。本文围绕语音信号处理中的语音识别和声纹识别展开了一系列的研究,涉及的内容主要包括语音信号的时频分析和特征提取等预处理方法,构建实现语音识别和声纹识别的神经网络模型和研究提高模型性能的方法。本文的研究内容主要包括以下几个方面:1.研究语音信号的时频分析方法和特征的提取方法。语音信号是一种非平稳的时变信号,其包含了与文本相关的声学特征、与说话人相关的身份特征等信息。研究和分析语音中的这些特征对于模型的实现具有重要的意义。本文主要分析语音信号的时频特征并根据现有的特征提取方法分析其适用的范围,然后根据需求选择合适的特征提取方法。2.探索和研究语音识别的模型和方法。首先对现有的语音识别模型进行分析,然后根据语音识别任务等构建了序列-集合-序列的语音识别模型。同时针对样本类别不均衡的数据研究了提高模型识别准确率的训练方法。相比于图像数据,语音信号进行语音增强的难度较大,没有大量语音模型的积累无法实现语音信号的随意截断和组合。所以本文对于类别不均衡的情况提出了两种解决方案;首先数据预处理阶段利用增加噪声、语音信号平移以及增加语音信号增益的方法来增加语音数据的多样性,然后在模型的训练阶段提出了基于课程学习的模型训练方法,该方法能够有效地提高模型对类别较少的样本的特征提取和学习能力。3.研究和分析声纹识别相关的模型和方法。通过对说话人的声学特征和分类器的效果进行分析;提出并构建了用于说话人识别的神经网络模型。并且通过实验分析可知本文构建的模型能够实现说话人的区分性训练,提高了说话人识别的准确率。