说话人的语音分割与聚类是研究把一段包含多人语音的音频切分,标出各语音段对应的说话人,以获知“何人在何时说话”的技术,是语音信号处理技术走向实用化的重要环节,具有重要的理论意义与实际研究价值。近年来,语音分割与聚类算法取得了越来越大的进展,但也存在诸多问题,包括语音中包含各种各样的噪声、一般说话人数不定且缺少先验信息、部分算法的准确率还有待提高等。如何有效解决以上问题,是当前的热点研究方向,也是本文的主要研究内容。本文针对双门限端点检测分割算法、自组织神经网络聚类算法以及k-means语音聚类算法的缺陷,对其进行改进,并应用于会议录音上,取得了较好的效果。主要工作及创新如下:首先,对说话人语音分割与聚类技术的发展现状进行了综述,阐述其基本步骤,并叙述了预处理、特征提取、语音分割和聚类的基础知识。其次,针对传统的双门限端点检测分割算法抗噪性差、检测精确性低的不足,对其改进,把短时平均过零率特征替换为更优的频谱质心特征,对特征曲线进行中值滤波平滑处理,并给出了一种门限选取算法,该算法通过统计特征序列直方图的局部极大值来选取门限值。实验结果表明,此算法增强了检测的抗噪性,提升了检测精确性,并且能检测出多段语音,更适应说话人语音分割技术的要求。之后,针对k-means算法需提前给出聚类数目而且受初始聚类中心的选择影响较大的缺陷,以及自组织神经网络算法收敛慢且不能提供精确聚类信息的缺陷,设计了基于自组织神经网络的改进k-means说话人聚类算法,该算法用训练后的网络中竞争层神经元的获胜情况来预判类别数,并以网络训练后的权值作为k-means算法的初始聚类中心,再进行k-means说话人聚类。实验结果表明,此算法有效地提高了聚类准确率,并且同时弥补了 k-means算法与自组织神经网络算法的缺陷。最后,对本文所做的工作进行了总结,并指出有待进一步研究的方向。