随着无线传感器网络、阵列信号处理、移动计算、集成电路等技术的不断发展以及智能终端设备的普及,分布式麦克风网络以其灵活的网络拓扑结构、分布式的数据处理方式而得到高度重视,已成为语音信号处理领域的研究热点。基于麦克风网络的说话人跟踪就是利用网络中麦克风接收的声音信号,应用分布式信号处理方法来估计说话人的位置信息,它在视频会议系统、语音识别系统、人机交互、智能交通系统、公共安全监控、国防军事等领域具有广泛应用。近年来,基于分布式麦克风网络的说话人跟踪理论已经取得一定进展,但在复杂环境情况下尚有许多问题有待深入研究解决。例如,现有方法要求已知网络中各节点相关性和节点数,且仅采用单一模型来描述说话人运动,不能充分模拟真实运动状态;假设环境噪声是高斯分布,忽略了应用场景中常见的汽车喇叭声、鼓掌声、敲门声等非高斯脉冲噪声干扰问题。这些复杂情况都会导致现有方法的定位精度和跟踪性能严重下降,无法满足实际应用需要。本文根据贝叶斯理论框架,对麦克风网络中分布式说话人跟踪方法进行了深入研究,提出了说话人跟踪新方法,实现了对说话人运动轨迹的有效估计。本文的主要创新工作如下:（1）针对单一运动模型不能充分模拟说话人真实运动状态的问题,提出一种基于分布式交互式多模型粒子滤波器的说话人跟踪方法。该方法根据常见的说话人运动状态,选用三种运动模型来模拟说话人的运动;考虑到房间混响和背景噪声的影响,基于多个时间延迟候选估计,提出一种有效的时延估计方法。然后,在每种运动模式下,利用分布式粒子滤波器得到说话人的状态估计。最后,应用交互式多模型算法,将三种运动模式下的状态估计进行组合交互,得到最终的说话人全局状态估计,实现对说话人位置的有效跟踪。实验结果表明,所提出的分布式说话人跟踪方法,能够克服房间混响和背景噪声带来的影响,获得良好的跟踪精度。（2）针对麦克风网络各节点间相关性或节点数未知的情况,提出一种基于改进迭代协方差交叉和分布式粒子滤波器的说话人跟踪方法。该方法首先在各个节点应用粒子滤波器完成非线性滤波,获得局部状态后验概率的权值粒子表示,得到说话人位置的局部估计。然后,通过选取不同的代价函数,提出一种改进迭代协方差交叉数据融合算法,并用于各节点局部后验概率的分布式信息融合,得到全局一致的说话人状态估计,完成说话人位置的有效跟踪。实验结果表明,该方法在不同房间混响和背景噪声情况下,均能够实现对说话人运动轨迹的平滑跟踪,且无需已知网络中节点数和节点间相关性。（3）针对非高斯脉冲噪声环境下说话人跟踪问题,提出一种基于广义相关熵函数和分布式粒子滤波器的说话人跟踪方法。首先,在分布式麦克风网络的每个节点,利用广义相关熵函数对混有非高斯脉冲噪声的语音信号进行时间延迟估计,将其作为局部观测。然后,在各个节点运行粒子滤波器完成非线性滤波,并基于节点的观测和多假设似然模型计算局部粒子权值,进而得到说话人状态的局部估计。最后,应用平均一致性算法来融合各节点的粒子权值,在网络中得到说话人状态的全局估计,实现说话人位置的有效跟踪。实验结果表明,该方法在非高斯脉冲噪声环境下能有效地跟踪说话人,且对室内混响具有一定的鲁棒性。