声纹识别是当前生物特征识别的一个热门方向,并且在相关领域得到了广泛的应用。但是在大量的应用场景下,训练数据无法一次性获得,并且语音信号容易随着说话人的身心状态以及录音环境产生易变性,这时传统的批量式的机器学习方式显得难以适应。本文旨在使用增量学习的方法来研究声纹识别,实现在上述场景下依然能保持较高的识别率。本文使用基于负相关学习(Negative Correlation Learning,NCL)的增量学习算法作为声纹的识别模型,在已有的相关算法中,大小固定的FSNCL(Fixed Size NCL)容易对已学过的知识产生遗忘,增长式的GNCL(Growing NCL)整体泛化性能不佳,基于选择性集成的SNCL(Selective NCL)精度较高但训练时间过长。本文对SNCL算法从模型训练和模型选择两个方面进行了改进。首先,NCL算法以BP网络作为基础并进行了修改,使得个体网络在训练的过程中误差向负相关方向变化,增加了网络之间的差异性,但是忽略的网络本身在训练过程中容易出现隐藏层节点个数不易确定,训练时间过长,容易产生过拟合等问题,本文针对这些问题对NCL算法进行了改进,使得网络结构自适应变化,并将其与Bagging算法相结合,在文中简称为ANCLBag算法,该算法避免了纯手动设定隐藏节点个数,在训练过程中减少了迭代次数,同时,与Bagging算法相结合后,两者分别在训练集生成和网络训练方面对整个集成产生影响,使得个体网络之间的差异进一步增加,并且保证了整体的泛化性能。随后,本文在该算法的基础上进行了增量学习的研究。在研究增量学习的过程中,文章借鉴了SNCL的框架,并对其模型选择的方法进行修改,使用基于分簇和排序的选择性集成方法,在该方法中同时考虑了模型的准确性和差异性,提出一种新的SANCLBag算法,实验表明该算法的泛化性能略高于SNCL,在时间复杂度方面则明显优于后者。最后,将该模型应用到声纹识别中,实现了一个能够对语音信号进行预处理、特征提取、模型增量训练和模式识别的声纹识别模型,实验表明该模型具有较高的识别准确率,并且能有效地解决增量学习的问题。