随着现代生物识别技术的不断发展,说话人识别技术受到了越来越多的专家学者的关注。通过分析说话人的语音信息,从而有效的识别说话人的身份,说话人识别技术因其简便高效的特性受到广泛应用,例如网络安全、司法鉴定以及国家信息安全等领域。传统的说话人识别方法中,GMM-UBM采用通用背景模板自适应说话人模型,反映出了个性特征,但是计算量过大,区分能力不足,而流行的SVM分类器利用非线性核函数进行分类,尽管识别性能有所提高,但却过度依赖样本数据的分布。稀疏表示原理能够利用数量最少的原子反映信号特征,从而进一步提高系统的区分性。因此在深入的分析稀疏表示的原理以及字典构造方法的基础上,提出了基于稀疏表示的说话人识别,同时将Fisher判别字典学习算法应用于说话人识别,具体工作如下:(1)研究学习稀疏表示理论,对语音信号的稀疏性进行分析,探究语音信号稀疏性表示的可行性,结合语音信号的可重构的特性,提出基于稀疏表示的说话人识别方法i-SRC,采用当前主流的i-vector建模方式为说话人建立模型,利用说话人的均值超矢量构造随机字典,再通过重构误差进行识别,实验显示,GMM-SRC的识别率确实有所提升。(2)为了进一步提高识别的效率,在i-SRC的识别方法基础上,学习探讨了字典的构造方法,引入了一种具有判别性的字典学习方法,即Fisher判别字典学习算法,利用该算法训练得到一个具有区分性的结构化字典,该字典的原子与类别标签存在对应关系,以此可以很好地利用重构信息对测试语音进行分类。在NIST的语音数据库上的实验也表明,引入新字典算法改进后的识别方法等错误率有所下降,而识别效率得到了提高。