作为一项关键的多媒体数据分析技术,说话人识别被广泛地应用于事务访问控制、身份验证、执法、语音数据管理,以及音频监控等领域。其中,i-vector作为一项有效的说话人识别技术,其性能优于传统的说话人识别方法,因而在说话人识别领域受到了广泛的关注。I-vector说话人识别技术的核心环节为总变化空间的估计,然而目前的总变化空间的估计方法均为通过寻找特征向量之间的数据信息关系达来到特征提取的目的,却忽略了一个重要的先验知识——说话人的类别信息,而类别信息对于样本的分类与预测有着十分重要的意义,因此现有的总变化空间估计方法并不是最优的。为此,本文从类别信息入手,提出了一种基于偏最小二乘的总变化空间的估计方法。首先训练高斯混合模型-通用背景模型(Gaussian Mixture Model-Universal Background Model,GMM-UBM),从而得到每位说话人GMM均值超向量;然后利用GMM均值超向量和类别信息估计总变化空间,并提取说话人i-vector;最后利用类内协方差规整(Within-Class Covariance Normalization,WCCN)进行信道补偿处理,并用余弦距离打分作为判决方法。实验结果表明,King-ASR-009数据库与NIST 2008数据库(任务short2-short3与任务8conv-short3)上的识别性能均有明显提升。由于偏最小二乘对类间相似点不敏感,而对异常点比较敏感,所以当训练样本中出现上述问题时,往往导致系统性能的下降。对此,本文提出了一种基于回归惩罚偏最小二乘的总变化空间估计方法,将训练语料一分为二,一部分用于训练初始总变化空间,另一部分用于回归惩罚。实验结果表明,King-ASR-009数据库上的说话人确认与辨认性能均有所提升。