语音伪装可以隐藏说话人的身份或冒充目标人物身份,从而攻击自动说话人识别(automatic speaker verification,ASV)系统。其中,语音变形(voice transformation,VT)操作可以在保持语音自然度的同时改变说话人的声音,隐藏说话人的真实身份,当前很多音频工具具有这种功能。另一方面,重录语音可以通过录音设备方便的在目标人物不知情的情况下,将其声音录制下来攻击ASV。已有研究表明,目前的ASV系统面对这两种伪装会产生极高的错误拒绝率和错误接受率,为社会安全带来危害。为此,对这两类伪装语音的检测具有重要的现实意义。本文研究基于的深度残差网络结构的VT和重录语音检测方法,该网络可以自动提取语音数据的深层特征,有较强的检测能力。主要工作包括:1.针对VT的检测,本文构造了深度残差卷积神经网络,该网络结构由16个特殊残差块组成,每个残差块包含三层,这种结构可以很好的学习到语音信号的深层特征,且该网络结构随着网络层数的增加,不会出现梯度消失问题,其结果不会产生衰退现象。该实验分别对三个语音数据库进行了验证:在同源数据库的检测中,所有的检测精确度都在96.4%以上;在交叉数据库的检测中,精确度都在96.43%以上;在对最小伪装因子?4进行检测中,所有精确度都在96.1%以上。以上验证结果都高于已有的研究结果。2.针对重录语音的检测,本文构造的深度残差网络共由15个残差块组成,每个残差块包含两层,此神经网络结构可以在极短的语音段上充分提取特征信息,同时实验也考虑了语音录制设备、录制距离以及录制环境等方面的影响。结果表明,将录制设备、录制距离、录制环境不同的数据集合起来,能极大的提高算法模型的鲁棒性,实验精确度可达99.8%以上。本文所提的针对变形语音和重录语音检测算法为语音伪装检测提供了理论和现实方法,可增强ASV的防御能力,对社会安全具有重要意义。