为了提升说话人识别系统的性能,本文以x-vector系统为基础,结合卷积神经网络与注意力机制,着重分析基线系统存在的问题,并探索有效的解决方案。(1)采用卷积神经网络提取声学特征。在语音技术领域经常采用MFCC作为输入特征,而这种经验性特征存在一定问题。本文采用最原始的声学参数--语谱作为输入特征,其中含有更多的说话人原始性信息,同时,利用卷积神经网络(Convolutional Neural Network,CNN)的局部感知和权重共享的机制,对语谱进行自动优化并完成降维,避免了经验性特征计算所带来的信息损失。(2)注意力机制应用于统计层的计算。在x-vector统计层,直接计算帧特征的均值和标准差,默认每一帧的重要性相同,这种假设明显不合理。本文引入注意力机制来解决上述问题,主要采用两个方案:第一种方案是引入注意力层,即通过注意力层来增强关键帧的信息以及语音信号内部的关联性,并通过多头注意力来获取序列之间不同的依赖性;第二种方案是建立基于注意力的统计层,直接修改统计层的计算机制,计算加权均值和标准差,并与多头注意力相结合。(3)利用Kaldi语音工具平台在VoxCelebl数据集上进行实验。主要对比分析了不同声学特征以及不同的网络结构对系统性能的影响。实验结果显示,相比于x-vector基线系统,语谱结合CNN在EER(等错误率,Equal Error Rate)上相对降低6.5%,引入注意力层方案在EER上相对降低了 13.5%,而基于注意力的统计层方案在EER上则相对降低了25.5%。实验结果证实,本文所提出的:利用CNN从语谱直接提取并优化特征,及注意力机制改进x-vector统计层计算,方案合理且效果显著。