随着计算机技术及移动互联网技术的快速发展,说话人识别作为一种特殊生物识别技术主要用于特定场合的说话人身份鉴定。该技术在司法鉴定、身份确认、军事国防、远程控制、信息安全等领域得到广泛应用,是模式识别和人工智能领域中的研究热点。在训练与测试环境均为干净语音环境下,说话人识别系统识别率较高,然而,受制于环境噪音,在实际应用中说话人识别系统的训练与测试环境不匹配,系统识别性能降低。因此,如何有效提高噪声环境下说话人识别系统性能成为了关键的研究点。本文主要对语音增强、特征提取等相关方面的内容进行研究,提出了一种非负矩阵分解优化算法,研究了深度学习用于特征提取的识别效果,以解决因噪声因素带来的不利影响,提高系统识别率。最后设计相关的图形用户界面完成语音信号录制和识别结果显示。本文主要研究内容如下:1.提出了一种非负矩阵分解优化算法。分析了谱减法和传统非负矩阵分解算法的优缺点,提出非负矩阵分解优化算法对含噪语音信号进行处理,得到具有较好语音质量的重构语音。结合各算法优势,将谱减法、非负矩阵分解算法以及非负矩阵优化算法的幅度进行加权融合,进一步增强算法泛化能力。实验证明,与传统语音增强算法进行对比,相同条件下非负矩阵分解优化算法的增强效果更优。与单一语音增强算法相比,融合算法在大多数噪音环境下具有较好的增强效果。2.提出了深浅层特征融合的特征提取方法。本文采用深度自动编码网络对含噪语音信号进行特征提取,基于深度置信网络的自动编码器能有效过滤语音中的噪声成分,挖掘浅层特征中隐藏个性信息的深层表示,将深层特征与浅层特征输入i-vector模型后进行分数级融合。实验表明与噪声环境下单一特征参数相比,融合特征能更全面地描述说话人信息,提高系统识别率。3.设计了基于MATLAB的图形用户界面。利用MATLAB自带工具箱和内置函数设计说话人识别平台界面。通过录制语音信号以及识别说话人对系统平台进行测试,结果表明平台具有较好的可交互性。