声纹识别是一种根据说话人语音来辨别说话人身份的技术,属于生物认证方式的一种。随着深度学习技术在声纹识别技术中的应用,无论是在注册语音时长还是识别准确率上,声纹识别技术的性能都实现了新的突破。当前声纹识别技术面临的挑战主要包括短语音能力、抗噪声能力、跨信道差异能力、抗假冒攻击能力以及抗时变能力。本文主要研究方向是如何在更短的说话人语音中提取出更多的能够表征说话人身份的有效信息。基于上述问题,本文开展了研究,主要工作如下:第一,对声纹识别技术中的相关知识做了简要介绍,包括声纹识别技术的相关语音原理、发展历程、基本流程、度量指标以及当前研究难点与热点。第二,基于残差神经网络(Deep Residual Network,Res Net)结构的文本无关声纹识别研究,包括声纹辨认与声纹确认,实验结果表明采用Res Net的声纹识别系统对于不同说话人的判决不是很明显,经分析之后,原因可能是测试语音容易受说话人情绪、生理状况、说话语速等多种因素的综合影响,单纯使用Res Net网络并不能最大化的学习到说话人语音中的有效特征。第三,结合上述分析,在Res Net的基础上融合注意力机制,其主要思想是对Res Net在每一层提取的Feature Map特征进行加权计算,对于说话人身份有效的特征赋予较大权重,无效信息则赋予较小权重,最大可能在更短的语音中学习到更多有效的特征。最终实验结果表明,融合了注意力机制之后的Res Net模型对于说话人特征的学习更加全面,相比单纯采用Res Net结构,实验结果有明显提升。第四,基于提出的融合注意力机制的残差神经网络方法开发了声纹识别演示系统,该系统由声纹注册、声纹确认、声纹辨认、声纹追踪四个模块构成,经过真实环境测试,该系统可以完成演示功能。本文在AISHELL2数据集(2006人)上进行模型训练(共1000h),测试集(904人)为Libri Speech数据集(504人)与部分维语数据集(400人),实验结果从注册语句数量与模型的Embedding特征向量维度两个方面进行对比,在相同的注册语句数量与相同的Embedding特征向量维度下,实验结果表明,相比单纯的使用残差神经网络,融合了注意力机制的残差注意力神经网络对于声纹辨认与声纹确认问题都有明显的提升,当说话人注册语句数量为1时,融合了注意力机制的Res Net网络结构的实验结果优于单纯使用Res Net网络的实验结果,使用融合了注意力机制之后的网络可以从说话人语句当中提取出更多代表说话人身份的特征,抑制对于说话人身份特征贡献度小的信息。