随着近些年万物移动互联、人工智能化的推广,在保证技术规范化的前提条件下为各行各业赋能的想法越发迫切。其中,声纹识别是一项从说话者的实时语音或录音中自动寻找匹配并识别讲话者身份的技术。声纹（说话人）识别技术不断发展,已成为一种经济可靠的身份识别和验证的方法。近年来具备自主学习能力想存储功能、非线性拟合能力、联等特点的人工神经网络的提出,为声纹（说话人）识别这一复杂的非线性过程提供了新的思路和方法。本文在误差逆向传播（BP n,Propagatio Back）神经网络的基础上,进一步研究声纹（说话人）识别技术及应用。首先,本文对声纹识别技术的原理和方法两个层面进行概述,纵观该技术在各领域使用现状及实验室项目功能需求,为解决噪声环境下识别精度不高、速度缓慢等问题,针对特征参数提取以及建模方法的改进两个关键技术进行深入研究,基于美尔频率倒谱参数（Mel-Frequency Ceptral Coefficients,MFCC）的获取,提出了一种改进的多窗谱MFCC特征参数（Multitaper MFCC,MT MFCC）提取方法。其次,本文通过语音数据采集、点检测、预加重、分帧加窗、端信号增强等预处理工作消除人为因素、设备原因对语音信号质量所带来的影响。采用MT MFCC特征参数提取方法来强调语音的低频信息,以突出声纹识别特征,减小参数波动,有效解决了在声纹识别过程中采用传统特征参数提取方法时估计方差较大的问题。最后,完成总体方案设计、选取衡量性能指标的参数、构建BP神经网络声纹识别模型,提出遗传算法（Genetic Algorithms,GA）优化及增加动量因子等手段对传统BP神经网络的算法和结构进行了改进;将改进模型在不同网络结构和数据分布下进行实验分析,得出不同参数的设置对识别的结果影响很大,需通过多次实验选择合适的数值结果;将声纹识别技术应用到语音机器人“渝娇三号”平台的语音识别系统中,并对不同噪声下改进前后的声纹识别模型进行效果测试,针对不同说话人做出识别反应。