以前往往采用线性的方法如频谱分析来分析语音信号，而这些线性方法只适用于平稳的、一致的、平衡的线性的时间序列，对于非平稳、不一致、非平衡的非线性的语音时间序列，这些传统的线性方法就往往丢掉了许多蕴涵本质的重要信息。语音信号证明是非线性的混沌的，本文在此基础上提出了一种能够有效反映语音信号非线性特征的处理方法，并由此提出一种能够反映说话人个人特性的KC复杂性特征，作为说话人识别系统的一种新的特征，经实验证明这种特征是简洁合理并且是有效的。我们认为，复杂性分析方法能够用于说话人识别特征分析，具有很宽广的应用前景，这是很有前途的研究课题。 本文基于传统的LPC倒谱特征和KC复杂性特征建立了一个说话人确认系统，采用了YOHO speaker verification数据库，Enroll阶段：采用138说话人4个session每个session有10个语音样本数据，Verify阶段：采用138说话人10个session每个session有4个语音样本数据，训练模板和测试该说话人确认系统，取得了较好的说话人确认效果。 实验数据分析证明：因为传统的基于线性理论基础上的传统的说话人识别特征提取方法(例如：LPC倒谱特征)，与基于非线性理论基础上的KC复杂性特征基本无相关性，因此这两类特征如能相互结合，有着良好的互补特性，能够大幅度的提高系统性能。这说明新提出的说话人的KC复杂性特征即使不能单独应用于说话人识别系统，也能够成为一个非常有用的传统线性特征的有效辅助特征。