现今,运用语音技术越来越来方便人类的生活。语音技术经常被用于听写、交互和识别。同时语音技术属于生物识别认证中的一种。说话人识别是语音技术中一种较为常见的应用形式。使用识别系统比对识别提取的特征参数,进而能够准确地识别说话者。本文以非特定人文本内容无关的说话人识别为研究对象,针对常见的系统做出改进,在不增加识别的时间的前提下,有效提高了识别的准确率。本文所做工作主要包括:(1)针对说话人识别特征参数进行了优化。常用的特征参数为LPCC和MFCC参数。MFCC依据人耳听觉特性,包含了语音频率结构的时间变化信息,具有更好的鲁棒性,所以更多的被使用。然而MFCC易被模仿,因此,我们添加了一个常见的语音特征参数——基音周期到说话者识别系统中。基音周期包含有关语音频率结构的信息,不容易模仿。故将MFCC和基音周期二者结合,在不影响识别时间的前提下,实现了说话人的识别率的提升。(2)针对说话人识别模型进行了优化。常见的语音识别体系中通常采用高斯混合模型,然而单一的高斯混合模型识别的数据量通常很大,导致识别时间过长。本文针对识别时间和识别率联合做出优化。提出一种新的思路,先用DTW计算语音样本间基音周期的最短距离,同时用GMM的识别方法计算需要测试的语音的梅尔倒谱系数。这样运用两个模型的识别结果共同进行判断,使得识别结果更准确;算法同时对DTW采取放宽端点限制的优化方法。实验表明,这种DTW和GMM相结合的说话人识别模型在提高识别准确率和减少识别时间方面有了明显的改进。