声纹识别是一种利用说话人语音来确定身份的技术,虽然现如今在实验室环境中已经取得了很好的识别性能,但是一旦用到现实环境中,容易受环境噪声以及各种信道的干扰,使得识别率严重下降。本文以提高声纹识别系统的识别率出发,对其深入讨论与研究。环境噪声与各种信道的干扰一般通过信号空间、特征空间以及模型空间这三个空间来影响识别性能,本文主要从信号空间以及特征空间这两方面进行研究来改善干扰的影响,并同时对高斯混合-通用背景模型(GMM-UBM)深入探讨,来提高识别性能。主要工作如下：1)从信号空间入手,介绍传统的一些语音去噪算法,通过实验证明这些方法受噪声强度的影响,因此重点研究基于独立分量分析(ICA)的去噪方法,对ICA中基于负熵的fastICA算法做深入研究,并对其做改进。实验表明,这种去噪方法能明显提高性噪比。2)为了有效地判断语音的起始／结束,研究传统的双门限端点检测算法,并提出改进的基于幅度增量与过零率的双门限算法,通过实验表明能减少提取特征时的运算量。3)对线性预测参数、线性预测倒谱参数、梅尔倒谱参数以及一阶差分进行深入探讨,研究这些静动态特征组合对系统识别率的改善情况,利用基音受信道干扰小的特点,对基音进行研究,将其与其它特征结合,提高在不同信道下的系统鲁棒性。4)研究基本的识别模型：矢量量化模型、高斯混合模型,在前两者的基础上深入探讨GMM-UBM模型,并通过实验分析码字个数、语音训练长度、高斯混合数对识别性能的影响,最后结果表明GMM-UBM能有效提高识别性能。5)在话务台改造项目的背景下,利用本文的相关算法,设计实现一套完整的基于电话信道的声纹识别系统。