作为一种非接触式的生物特征识别技术,说话人认证在智能家居、社保认证和金融安全等领域获得了广泛的运用。深度学习的发展进一步促进了说话人认证技术的提升。但是,远场认证依然是一个很有挑战性的研究课题。注册声音样本和认证声音样本由于录制距离不同,导致信噪比差异较大,严重降低了说话人认证性能。为了提升说话人认证技术的远距离交互性能,通常采用的方法是使用信号增强技术提升远场声音信号的质量,但由于引入了非线性处理函数,容易造成部分说话人特征信息丢失,降低认证性能。除此之外,基于特征空间降维、分解的差异补偿算法也被应用在远场说话人认证中。通过将不同距离的说话人特征向量先降维,再映射到同一个特征空间内来消除距离差异对认证结果的影响。但是,这种补偿算法需要专门训练打分模型,不是端到端的解决方案,并且认证性能依赖特征空间的选择和说话人特征向量的概率分布。针对现有远场说话人认证算法的不足之处,本文主要做了以下工作:第一,引入距离标签作为监督信息。将说话人分类作为主任务,将距离判别作为辅助任务来判断两条输入声音样本是否具有相同的距离标签,促使模型学习到距离差异信息,并通过梯度反转层将该差异信息从说话人特征中进行消除,使说话人特征对距离不敏感。第二,结合多任务学习和梯度反转层。利用多任务学习激励距离差异信息的表达,利用梯度反转层抑制距离差异信息对说话人特征的影响。在模型中的说话人特征层前面直接加入距离判别任务,在该层之后通过梯度反转层再次接入距离判别分支。先激励距离差异信息的表达再对其进行抑制可以进一步提升远场说话人认证性能。第三,使用动态损失权重更新策略调整训练过程中,各个任务的损失值在总的损失值中所占的比重。根据训练时各个任务的收敛速度动态调整损失权重,使各个任务可以同时达到最优的优化效果,充分挖掘样本间的距离差异信息。本文在Hi-mia数据集上进行实验。将远场说话人认证分为两类,即近场注册远场认证和远场注册远场认证。分别使用残差神经网络（Deep residual network,Res Net）和时延神经网络（Time Delay Neural Networks,TDNN）作为基础网络结构,结合多任务学习和梯度反转层,并且将距离判别作为辅助任务。实验结果表明,结合多任务学习和梯度反转层的结构在两类任务上分别取得了6.68%和7.07%的等误率（Equal Error Rate,EER）,相比较于单任务基准模型,分别相对提升了6.69%和10.3%。本文提出的算法可以在不进行信号增强和不单独训练后端打分模型的前提下提升远场说话人认证性能。