语音作为一种生物特征,具有活性高、区分度高和不容易被复制的特点。相比其他的生物特征(人脸、指纹、指静脉和虹膜等),语音特征在身份认证方面有很大的优势。随着互联网的高速发展,网络安全成为了现下网络环境中尤为重要的一个环节。各大互联网公司都投入了大量的资源用于网络身份认证的发展,并取得了一定的成果,如支付宝公司的人脸认证系统、苹果公司的语音解锁功能等。语音智能识别,可分为语音识别和说话人识别。前者用于语音内容的识别后者用于说话人身份的识别,都可以应用于安全认证系统。本文主要进行基于卷积神经网络的短语音识别和应用研究。首先,论文基于小数据集深度神经网络训练不充分的问题,提出数据二值化扩增处理方式。基于ASVD数据集,该方法使网络识别率增加了2.1个百分点,并且收敛过程更加平滑,即不容易陷入局部最优。并进行了仿真与性能分析。然后,论文基于ASVD数据集,搭建了分类卷积神经网络(Classified-Convolution Neural Network,C-CNN),并提出一种连续片段短语音身份认证的模式。通过实验,进行网络参数调优,C-CNN网络在ASVD数据集上有98.3%识别率。并进行了仿真与性能分析。最后,论文基于SVD数据集,搭建了攻击性判定卷积神经网络(Aggressive Decision-Convolution Neural Network,AD-CNN)。并结合C-CNN网络提出了一种基于攻击性判定的身份认证的模式。通过实验,进行网络参数调优,AD-CNN网络在SVD数据集上的识别率达到99.4%。并进行了仿真与性能分析。