说话人身份识别是根据说话人语音信号所包含的信息来识别身份的一种生物认证技术，以其独特的方便性、经济性和准确性得到了广泛的应用。神经网络是一种基于非线性理论的分布式并行处理网络模型，具有很强的模式分类能力和鲁棒性，因此本文研究基于神经网络的说话人识别算法。　　 本文详细介绍了语音信号的采集、数字化预处理、特征参数提取、模型训练和识别，同时对BP神经网络、RBF神经网络、学习矢量量化(LVQ)网络做了详细的介绍。说话人身份识别的核心部分就是语音信号特征参数选取及识别算法的选取。对现有特征参数选取方法做了比较，MFCC参数具有良好的识别性能和抗噪能力，因此本文选用了模拟人耳听觉特性的Mel倒谱参数(MFCC)。在模式识别算法上，本文采用了神经网络模型，分别通过采用BP神经网络、RBF神经网络和LVQ神经网络模型进行训练和识别，实现了说话人身份识别。　　 本文的研究结果如下：　　 (1)针对BP算法易陷入局部最小点和收敛速度慢，研究比较了遗传优化BP算法和粒子群优化算法。利用BP算法和遗传优化BP算法实现了说话人识别，遗传优化BP算法取得了较好的识别效果。当语音识别时长为20秒时，它的识别率达到了95.42％。　　 (2)对原有RBF网络进行了改进，结合遗传算法实现了说话人识别。当语音识别时长为15秒时，得到了92％的识别率。　　 (3)研究比较了LVQ、模糊算法LVQ以及基于EM的LVQ算法，同时应用这些算法实现了说话人识别。在相同条件下，基于EM的LVQ网络取得了最好的效果。当说话人训练样本聚类点为5时，识别率达到了96.8％。