特征参数的提取是说话人识别技术的一个关键方面。本文的工作就是围绕语音信号中特征参数提取的改进算法展开的。主要研究MFCC参数与LPCC参数的改进算法,并基于高斯混合模型模型(GMM)对改进参数进行说话人识别性能测试,取得了一些成果。论文的主要工作如下：针对传统的梅尔频率倒谱系数(MFCC)容易忽略语音信号部分高频频域的说话人信息的问题,介绍了一种基于经验模式分解(EMD)的自适应高频加权方法来补偿MFCC参数中说话人高频信息。由于不同说话人的语音信号的频率范围是不同的,因此对于不同的说话人来说,其语音信号的相对高频范围也是不同的,这就需要自适应的划分需要加权的高频范围。本文首先给出了一个合理的高频划分方法,同时利用EMD提取出本文所定义的语音信号的高频部分；然后将第一阶本征模式函数(IMF)与原始语音信号进行加权融合,补偿原始语音信号的高频信息；最后从融合后的信号中提取出改进的MFCC。仿真实验结果表明：与传统的MFCC参数相比,本文给出的改进的MFCC参数能够有效地提高说话人识别系统的识别率,同时在噪声环境下具有较好的鲁棒性。针对倒谱参数中每一维系数对说话人识别系统的贡献度不同的特点,介绍了利用Fisher比来计算每一维倒谱系数的贡献度的方法。然后根据倒谱参数中每一维系数贡献度的不同,对每一维系数按照其贡献度的数值进行加权,来提高倒谱参数中贡献度高的维度系数的权重。本文用Fisher比分别对MFCC参数和LPCC参数进行加权,仿真结果表明,本文给出的倒谱参数加权算法能够有效地提高说话人识别系统的识别率和鲁棒性。