说话人识别就是根据说话人语音信号所包含的信息来自动确定说话人身份的过程,可以应用在门禁、数据库存取、信用卡确认、银行电话交易服务等系统的使用控制中。本文主要研究基于参数模型的说话人识别方法,主要特征参数的选择、提取及识别算法。特征参数的选择就是要找出一组可代表每位说话人特性的特征参数,该参数应不易受环境干扰,具有鲁棒性,且在不同的使用者和背景噪声上都能维持一定的识别性能。本文主要对线性预测编码(LPC)、线性预测编码倒谱系数(LPCC)和梅尔倒谱系数(MFCC)三种特征参数在说话人识别上的特性进行了比较研究。说话人识别有很多种算法。本文使用k-最相邻法(k-NN)作为分类依据,对比了各种参数使用k-最相邻法时的识别效果。此外,为了提高运算速度和节省存储空间,在说话人模型训练上,采用了k-means、模糊c-means等数据缩减算法,并与未进行数据缩减时进行了对比实验,实验结果显示了这些算法的有效性。人工神经网络通过学习可以实现对输入向量的分类。根据神经网络的分类作用,本文尝试了用神经网络学习向量量化方法(LVQ)进行说话人识别,并取得了较为满意的结果。