随着声纹识别技术不断向前发展,声纹识别在近年来出现了一个快速发展的新局面,声纹识别以其便捷性、稳定性和低成本性等特点在军事安全、医疗健康和司法鉴定等多个领域得到广泛应用,并逐渐成为生物识别技术中的主流之一。虽然在无噪环境中,声纹识别已经取得非常好的效果,但是在实际应用过程中,因为各种背景噪声的影响,声纹识别往往达不到理想的效果。因此,本文对噪声背景下声纹识别相关技术的研究具有重要的意义,通过对整个声纹识别系统的分析与研究,本文的工作及创新点主要包括以下几个方面:研究声纹特征参数提取算法。通过分析基于gamatone滤波器的GFCC特征提取算法,然后针对GFCC特征在提取过程中采用对数压缩存在的不足进行改进和优化。本文结合幂函数的非线性压缩特性,在基于GFCC特征提取算法基础上提出了一种改进的自适应压缩ACGFCC特征提取算法,并在高斯混合模型_通用背景模型的框架下进行了实验和仿真,实验表明,本文提出的自适应压缩ACGFCC特征在信噪比为5dB的噪声环境下平均识别率达到80%,在信噪比为10dB的噪声环境下平均识别率达到95%和在无噪声环境下平均识别率达到97%。提高了系统的识别率,具有良好的抗噪性能。研究声纹识别模型的抗噪性能。针对声纹识别在训练环境和现实应用环境因为噪声而不能很好匹配的问题,本文利用谱减法对声纹模型参数进行优化,提出了一种基于谱减法的模型参数优化算法,并结合高斯混合模型_通用背景模型对优化后的模型进行了仿真和验证。实验表明,在噪声背景情况下,通过识别语音的声纹模型在对数谱域减去噪声模型得到相对纯净的声纹模型的方法能够提高系统1%到2%的准确率。因此该方法在一定程度上可以解决训练环境和实际应用环境因为噪声而导致的失配问题。