说话人识别技术是根据包含在语音信号中特有的个体信息,以声音作为生物特征,自动识别说话人身份的过程,它被认为是最自然的生物认证技术,具有广泛的应用前景。与文本无关的说话人识别具有用户使用方便、可应用范围较宽等优点,是当前说话人识别技术的研究重点。　　本文对语音信号的预处理、特征提取及识别方法进行了深入的研究,并对基于DSP的说话人实时识别系统进行了设计。　　在语音信号的预处理及特征提取部分,引入小波变换实现了基于小波分析的语音端点检测。研究了说话认识别中的主流特征参数线性预测倒谱系数(LPCC)和美尔频率倒谱系数(MFCC),在此基础上使用了一种二次特征提取方法,通过综合运用加权、微分、组合、筛选等,进一步挖掘说话人语音背后的隐性个性差异。　　在识别方法上,研究了高斯混合模型(GMM)和支持向量机(SVM)在说话人识别中的应用,并对GMM中期望最大化(EM)算法进行了改进。结合GMM和SVM构建了SVM-GMM的混合模型。比较分析了不同参数、不同模型下的识别效果。　　最后采用SVM模型,对基于DSP的说话人实时识别系统进行了设计,概括了在系统调试过程中遇到的问题和相应的解决办法,为将来进一步展开研究和实际应用打下了基础。