说话人识别在纯净语音的环境下识别率比较高,但在噪声环境下识别性能急剧下降。现在人们提出了多种方法提高说话人识别的性能,但仍有很多问题需要解决,本文的研究对象是与文本无关的说话人识别系统,并从多个角度对噪声环境下的说话人识别进行研究,研究内容主要包括小波阈值去噪、组合特征提取、二级模型判断、防止假冒人入侵、说话人识别系统实验结果。本文主要做了以下几个方面的研究：1.研究小波分析理论并深入研究小波阈值去噪技术的思想和算法,对于小波阈值函数以及阈值的选取进行研究,提出一种改进的阈值函数,其阈值采用节点阈值,传统小波阈值中的噪音方差估计是以白噪声为基础的,本文噪音方差估计采用基于实际噪音方差估计的谱熵法,有效地消除噪声,达到语音增强的目的。2.主要研究了特征提取,本文提出一种组合特征提取,特征提取阶段提取MFCC倒谱特征,并加入动态特征Delta_Delta特征与基于平均幅度差法提取的基音周期形成组合特征,在同一实验环境下,组合特征与其它特征对比,此种组合特征的识别率均优于其它特征。3.模型方案确定研究,GMM主要应用于文本无关的说话人确认模型,DTW主要应用于文本相关的说话人确认模型,所以这两种模型相互补充相互增强,将GMM和DTW模型相组合的二级判断模型,在训练阶段,特征参数分别通过这两个模型进行训练并存储相应模型,在识别阶段,特征参数首先通过GMM输出3个最接近说话人的结果,然后通过DTW找出1个在这3个结果中最佳匹配结果,二级判断模型可以降低识别错误率。为了防止假冒说话人的入侵,在识别之前加入得分规整判断,将一部分假冒人在语音识别前将其排除,以提高识别率。4.说话人识别系统的建立,包括说话人识别的预处理,实验语音库的建立,分别做了两个实验：实验一通过MATLAB仿真实验证明改进的阈值函数的去噪效果优于传统的硬阈值,软阈值函数去噪效果；实验二基于改进小波阂值去噪和二级判断模型的说话人识别方法,纯净语音识别率与改进小波阈值去噪的说话人识别率对比,以及基于组合特征提取和二级判断模型的说话人识别方法,不同特征在不同模型下的识别率比较,加入得分规整后不同特征在不同模型下的识别率比较,并分析相应的实验结果。