说话人识别就是通过语音信号来对说话人进行辨认或者确认,根据说话的内容,说话人识别又可分为与文本有关和与文本无关两种方式。说话人识别系统在低噪声、低失真度条件下的性能已经达到令人满意的程度,但在真实的噪声环境下,由于训练模型和测试语音之间的失配,说话人识别系统误识率会急剧上升,因此提高说话人识别系统在噪声环境下的鲁棒性是其从实验室走向实用的关键,也是当前的研究热点。本文首先详细介绍了说话人识别的基本理论,在此基础上,分别构建了基于VQ和GMM模型的说话人识别系统。在基于VQ的说话人识别系统中,采用了三种不同的码本聚类方法来产生码本,通过比较量化误差、误识率以及计算量综合考虑了三种码本聚类方法的优缺点。在基于GMM模型的说话人识别系统中,评测了LPC、LPCC、MFCC和MCC四种常用特征参数的性能,通过实验,证明了基于人耳听觉特性的特征参数具有较低的误识率和较好的鲁棒性。另外,第三章在介绍HMM模型时,实现了一个汉语四声声调的识别系统。针对噪声环境下说话人识别系统的鲁棒性较差的这个问题,提出了相对自相关序列小波分解特征提取算法以及基于置信度分析的说话人识别。相对自相关序列对于平稳噪声和慢变噪声具有较好的鲁棒性,因此本文提出了一种对其进行多层小波分解的特征提取算法。在基于置信度分析的说话人识别中,用置信度来度量特征分量的鲁棒性,并提出了一种用于计算MFCC各维分量置信度的方法CBTM,该方法通过一个置信度变换矩阵,估算出经过Mel谱减法处理后的MFCC各维分量的置信度,在此基础上通过对GMM模型的方差加权来减少置信度小的特征分量对输出概率的影响,以此来提高系统的鲁棒性。实验表明,基于特征分量置信度分析的方法可以在基线系统的基础上进一步降低系统的误识率。