声纹识别技术是从说话人所说的话语中提取相应的声纹信息,以此辨认待识别说话人的身份。当文本内容已知时,说话人音频信息中的声纹特征和语义特征可以分别用于说话人验证和语音识别,从而解决了文本关联过程中伪造录音的问题。作为一个多民族国家,每个民族都有自己的语言,其说话人验证问题在身份识别、公安侦察、国防安全等领域尤为重要。藏语作为少数民族语言,其发音特点与普通话有很大区别,并且在实际应用中,通过结合语音识别和说话人识别,不仅可以达到双重验证的效果,而且还可以有效提升系统的安全性。但是关于藏语说话人验证与藏语语音识别相结合的研究较少,主要采用传统的方法,模型的性能不理想。为了解决以上问题,本文利用深度学习的方法对藏语说话人验证和藏语语音识别这两部分进行研究。在此基础之上,重点对藏语说话人验证部分进行了改进和优化。主要工作如下:1.对于深度学习任务而言,语料库的设计和建立是首位的。为了收集更多的语音数据,本文整合了实验室以往的资源,构建了藏语语料库。该藏语数据库中有47个说话人,每个说话人有500条音频,共23500条音频。针对不同的任务需要设计出不同的标签,对于藏语说话人验证任务,需要藏语说话人身份信息和相应的音频;对于藏语语音识别任务,需要藏语文本信息和对应的音频。2.对于藏语声纹验证部分,本文分别采用残差卷积神经网络、时延神经网络和残差网络进行研究。其中,在残差卷积神经网络和时延神经网络两种结构中使用非端到端的方法;残差网络使用端到端的方法。在残差卷积神经网络中,本文使用瓶颈残差块替换原模型中的常规残差块,从而有效降低模型参数量并且增加网络的深度。与原模型相比,改进后的模型等错误率为12.25%,其性能提升了 3%。在时延神经网络中,本文采用迁移学习的方法,其目的是解决藏语数据量规模小的问题,从而使模型的等错误率达到8.34%,其性能提升了 26%。在残差网络中,本文采用原模型结构的四分之一通道,以减少计算需求,并且使用分类目标损失和度量学习损失中六种不同的损失函数对模型性能进行广泛评估。为了进一步提升模型性能,本文将Softmax和Angular Prototypical两种损失函数进行融合。通过实验比对发现,度量学习损失函数整体性能优于分类目标损失函数,并且融合后的损失函数性能最好。其中,单个最优损失函数使模型的等错误率为5.82%,融合损失函数使模型的等错误率达到4.25%。由于端到端方法将前端和后端联合优化,能够使模型达到最优效果,其性能要优于非端到端方法。通过比对三个研究方法可以得出,相较于Simple ResCNN结构来说,TDNN不仅可以利用时延特性提取更多的说话人特征,而且利用迁移学习还可以很好的解决数据量小的问题,并使用预训练模型来提升性能;Fast ResNet所采用的端到端方法是将前端和后端进行联合优化从而使网络达到最优,进一步降低损失值,以此使模型达到最好效果。3.对于藏语语音识别部分,本文只采用深度全序列卷积神经网络和连接时序分类构成主流的端到端声学模型,实验中未使用语言模型。在原模型的基础上将128维通道的卷积层数量增加一倍,使模型的词错误率降低到47.59%,并且其性能提升了 23%。