近年来,随着人工智能的高速发展,各种智能应用和设备广泛出现,一些传统的生产生活方式被替代,但随之带来的是人工智能安全问题。造假图像和音频的出现、对抗性样本攻击的出现,都对人工智能系统产生巨大的威胁。可信AI,作为目前被广泛关注的研究热点,通过各种防御和容错技术,使得人工智能系统不再轻易被攻击。本论文针对语音方面的攻击手段提出相应的容错方法,提高语音识别系统的鲁棒性。目前语音攻击方法主要有三种,语音对抗性样本攻击、录音重放攻击和合成语音攻击。首先,本文针对语音对抗性样本攻击,提出了基于语音预处理和模型鲁棒训练的两种对抗容错方法,由于对抗性扰动的本质是噪声,其通过添加噪声的方式使样本越过决策边界,并被神经网络划分为不正确的类。因此基于降噪的预处理方法可以有效消除对抗性扰动,而模型鲁棒训练可以有效地增强决策边界,使得对抗性样本不能轻易越过决策边界。最终实验结果表明,在简短指令下,基于降噪的预处理方法使得识别正确率达到81.85%而基于模型鲁棒训练的方法可以达到89.61%,相比于原始模型有很大的提高。在长语音下,基于降噪的预处理方法使得识别正确率达到76.79%。其次,本文针对录音重放攻击,提出一种基于短时过零率变体的特征,称之为静音片段平均过零率(AZsil),用以检测录音重放攻击。由于录音设备噪声、环境噪声等因素的存在,使得录音存在与原始音频明显的噪声差异,而该差异在静音部分更加明显。本文利用这个差异,对每段语音进行异常静音片段的检测,噪声和原始的无声部分差异可以通过短时过零率反映,噪声过零率大于无声部分,因此本文将所有静音部分的短时过零率累加并求平均值,可以得到反映该语音信号噪声情况的AZsil特征,从而对重放录音进行检测。最终实验结果表明,使用AZsil特征可以有效检测重放录音,检测正确率达到94.61%。接下来,本文针对合成语音攻击,提出基于分段特征提取的合成语音检测方法。合成语音攻击种类多样,因此在检测上较录音重放攻击更困难。本文通过波形分析、聚类分析手段分析合成语音的特点。经过分析,大部分合成语音在静音片段存在合成瑕疵,这是因为静音片段可学习的特征较少,且通过聚类分析,利用更简短的特征进行模型训练,检测效果更好。本文将语音拆分为静音部分和有声部分,分别利用AZsil和基于分词的常数Q倒谱系数（WCQCC）特征进行提取。AZsil特征和重放录音类似,合成语音对于静音部分的合成可存在瑕疵,但该特征不能检测所有合成语音。于是本文对CQCC特征进行改进,形成WCQCC特征,该特征为语音中每一个单词CQCC特征的拼接,特征更集中。其次,我们提出有偏决策策略（BDS）综合评估两种特征的判断结果,以完成最后的检测。最终实验结果表明,BDS评估可以使得检测合成语音正确率达到94.77%。最后,由于语音识别系统可能同时遭受三种攻击的威胁,本文针对真实环境下的语音攻击,提出串并结合的容错方案,对三种攻击方式进行综合容错。最终结果表明,本文所提出的综合容错方案能有效检测造假语音,达到91.58%的检测正确率。