感知哈希在一些多媒体安全应用中得到越来越多的关注。然而,如何在语音哈希的鲁棒性和区分性这两个最重要的特性之间取得平衡,仍然是哈希算法面临的最大挑战。现有语音认证算法从语音采集到数据存储再到云端语音哈希数据库都存在安全漏洞,同时认证算法中构造的哈希序列较短,同一哈希序列可能分属于不同用户,导致用户认证时出现较高的误识率。低信噪比下,哈希算法面对复杂噪声的匹配精度效果不理想。因此,本文对上述问题展开了研究。本文的主要研究内容及贡献点如下:1.为了解决现有语音认证算法抗碰撞低、安全性差的问题,同时兼顾算法的鲁棒性和实时性,提出了一种基于多特征融合和Arnold变换的长序列语音感知哈希认证算法。该算法先提取小波对数能量和梅尔倒谱系数,并将两种特征的低频系数分别进行哈希长序列构造;然后采用Arnold变换对两组哈希长序列进行置乱加密;最后融合加密后的序列进行语音认证。实验结果表明,该算法具有较低的误识率,同时兼顾鲁棒性和安全性。由于上述方法效率慢,低信噪比下的复杂噪声的匹配精度低,以及哈希序列过长导致云端存储资源浪费的情况,又提出了基于恒Q变换和张量分解的语音感知哈希认证算法。该算法首先将频域特征进行子带划分,构建子带集方差矩阵;然后通过恒Q变换构建特征张量,Tucker分解后重构目标张量。最后将降维后的目标张量降生成二进制哈希长序列,完成语音认证。经过仿真实验验证,该算法在区分性方面远高于现有算法,同时兼顾了鲁棒性和实时性,满足了复杂噪声环境下语音认证的要求。2.现有语音认证算法将提取的语音特征直接进行哈希构造保存到云端,很容易造成语音特征的泄露。构造哈希时,语音特征利用效率较差,构造的哈希序列短会造成哈希序列区分性不够,认证出现偏差。为了解决上述问题,提出了一种基于二维正弦调制映射（2D-SIMM）和伽马通滤波倒谱系数（GFCC）余弦值的长序列生物哈希认证算法。采用2D-SIMM对语音信号的空间余弦特征进行生物安全模板构造,该算法验证了三种不同特征的空间余弦值。经过仿真实验对比,GFCC算法不仅降低了生物哈希序列的碰撞率和算法运行时间,而且克服了内容保持操作对认证准确率的影响。面对常见低信噪比噪声背景,该算法同样具有良好的匹配精度,同时还能够为生物特征提供可撤销的安全模板。