说话人确认（Speaker Verification）是一项判断某段语音是否来自于给定说话人的技术。随着互联网的迅速发展和移动设备的广泛普及,采集一个人的语音数据已经变得越来越容易,这极大的方便和促进了说话人确认技术的研究。经过数十年的发展,虽然该技术已经获得了长足的进步,但是短语音条件下的说话人确认因为数据短、说话人身份信息很少,导致难以提取出足够充分的说话人区分性信息,进而影响着模型的打分与判别和系统整体的识别效果。因此短语音说话人确认仍然是一项具有挑战性的任务。针对短语音说话人确认问题,本文的研究内容主要包括以下几个方面:（1）提出了一个基于多分支聚合（Multi-Branch Aggregation,MBA）网络的说话人嵌入特征提取方法。鉴于单通道系统难以提取充分的说话人身份信息,以时延神经网络（Time-Delay Neural Network,TDNN）为基础,增加提高了节点数和时延值的Large＿TDNN（L＿TDNN）网络以及降低了节点数和时延值的Small＿TDNN（S＿TDNN）网络构成多分支结构,提取多个通道的特征,然后通过池化层后使用特征拼接对多分支结果进行聚合。实验结果表明,该方法在测试语音上取得了比基线系统更好的性能。（2）提出了一个基于多分支多尺度聚合（Multi-Branch and Multi-Scale Aggregation,MBMSA）网络的说话人嵌入特征提取方法。鉴于在每个单独的通道中特征从网络低层传输到高层过程中存在信息丢失的问题,需要把传输过程中丢失的信息重新找回来,在每次特征传输时可以把低层网络的信息尽可能保留下来,因此在多分支网络中采用可以实现上述需求的多尺度聚合方法,以进一步提高算法性能。该方法的实现需要体现出不同网络层之间尺度的多样化,所以使用基于卷积神经网络（Convolutional Neural Networks,CNN）的残差网络（Residual Networks,ResNet）构建多分支多尺度聚合网络。实验结果表明,提出的多分支多尺度聚合网络在短语音说话人确认问题上能够取得较好的效果。