说话人识别技术目前已经成为身份认证及人工智能领域研究的一个热点，解决噪声环境下的说话人识别问题具有重要的理论价值和深远的实用意义。支持向量机是建立在统计学习理论的VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原则基础上的重要理论。作为一种新的机器学习方法，SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题，因此成为继神经网络研究之后新的研究热点。目前，SVM在模式识别、回归分析、时间序列分析、聚类分析等方面都有一定成功的应用实例。将SVM的分类算法应用于说话人识别等模式识别问题，可以有效地解决传统分类器的过学习、泛化能力差和维数灾难等问题。本文提出了一种基于支持向量机和小波分析的说话人识别方法以及其框架模型，首先将小波分析应用于说话人识别的前端预处理过程中，利用其多分辨分析特性将语音信号和噪声分离，实现语音增强；然后在特征提取阶段，提取出Mel倒谱及其一阶差分参数，将其生成基于SVM的特征向量序列；最后使用支持向量机多类分类器，基于样本进行训练和测试，实现说话人的分类识别。本文在自己建立语音库的基础上，对小波去噪语音集和非去噪语音集进行了SVM分类识别的比较实验。实验结果分析表明，该方法能有效提高说话人识别系统的识别率。并且，基于小波去噪语音集，本文对说话人识别中遇到的难点如特征向量的帧数、帧长和维数、训练次数、核函数参数等对说话人识别率的影响也进行了实验与分析，并针对SVM具有较高的二值分类精度的特点，提出了一种考虑性别差异的说话人识别方法，来提高去噪语音集上说话人识别系统的识别率。本文最终取得了一些有意义的研究结果，并为说话人识别研究提供了有力的数据和积极的建议。