声纹识别是一种对人发出的声音进行识别、辨别对象的技术,这是根据人与生俱有的声音特征,也即生物认证技术。另外这是根据语音中包含的个人特征分量来辨认说话人的身份,故又称说话人识别。理论基础在于每个人说话的声音都是不同的,这种不同表现在多个方面,可以是生理上的物理结构的差异,可以是行为说话上的习惯与控制上。在实际生活当中,人们在辨识说话人上多是在音色、音调、语速等方面上。技术原理是提取说话人的语音特征,用于存储或与已存储的语音特征做对比并给出判断结果。声纹的应用日益广泛,如刑侦、安防、软件安全等领域。声纹识别技术发展到现在,在分类上主要有文本相关与文本无关两类。文本相关的研究应用上相对成熟,但文本相关的特性极大限制了其应用范围。现在研究的热点更多在于文本无关。其相关方法有高斯模型GMM,通用背景模型UBM,FA因子分析,JFA联合因子分析,全因子空间I-vector。以上方法的演进基本都是基于最初的高斯模型GMM,在GMM的基础上一方面向着信道鲁棒性与准确性发展,另一方面则构建基于GMM参数的向量模型,分类表征声纹信息。本文研究声纹识别中应用应用的DTW动态规整的方法,在不幅度降低准确性的前提下,精简部分训练的冗余数据,降低其拟合与测试过程的数据量与运算量,以期达到可在资源有限的嵌入式系统中达到识别的目的。同时提出的非目标说话人GMM对目标说话人的后验概率在神经网络中的应用。经实验结果表明,目标用户GMM模型的识别准确率为88.73%,而GMM-BP模型的识别准确率达到92.45%。本文的工作任务包括:(1)介绍了声纹识别的发展历程、目前的研究现状,包括声纹识别的任务、评价标准、相关的公开数据集,以及相关的算法。(2)调查大量文献,深入分析介绍了声纹识别算法及其继承关系。(3)高斯混合模型的深入探究及BP神经网络的应用。