说话人识别在生物识别技术中是一个非常重要的任务,具有远程验证的独特优势,并且获取途径简单、成本低廉。因此,说话人识别技术的应用范围非常广泛,几乎可以应用到人们日常生活的各个角落,如公安司法、通信、国防军事、银行系统、互联网等领域。目前,已存在的说话人识别技术通常是从大量的训练样本中学习到特定说话人的相关语音特征。如何从语音信号中提取到最能够区分不同说话人身份信息的特征,是直接影响识别性能的一个关键因素。近年来,在复杂环境下录制的语音数据集越来越多,并且数据集的规模也越来越大,甚至出现数十万和上百万条语音的说话人识别语音数据库。在复杂的大规模语音数据集下,传统模型的学习能力相对于深度学习模型十分有限,导致识别性能急剧下降。基于上述挑战,分别提出基于字典学习的潜在可区分性说话人特征学习方法和基于边阈角度损失的多频信息卷积说话人识别方法,论文的主要内容和创新点如下:(1)提出基于字典学习的潜在可区分性说话人特征学习方法。该方法利用字典学习构建潜在特征映射空间,通过引入说话人嵌入查找表,发现来自同一说话人不同语音信号之间的相关性,并引入重构约束学习线性映射矩阵,使得该方法从大量语音信号中学习到的潜在特征不仅具有可区分性,而且来自同一说话人的潜在特征还具有相关性。实验结果表明,在TIMIT数据集上两个不同的实验设置下,分别与现有的最好两个方法相比,基于字典学习的潜在可区分性说话人特征学习方法准确率分别提高2.38%和3.12%。在INTERSPEECH2019的The Fearless Challenge数据集Apollo上,该方法在开发集和验证集上得到的准确率比基线方法分别提高32.98%和36.33%。(2)提出基于边阈角度损失的多频信息卷积说话人识别方法。提出一种新的损失函数,称为边阈角度损失,它可以直接将说话人的特征映射到超球面,在超球面上,角度直接对应于说话人的相似性度量。再利用一种称为Octave的新式卷积运算,建立一个从语音频谱中独立地分离高频信息和低频信息的深度卷积网络特征提取器,该特征提取器能够从不同的频率信息中捕获说话人特征能量聚集的部分,得到多频特征。然后再由边阈角度损失学习可区分性说话人特征用于说话人识别。在TIMIT数据集和VoxCeleb数据集上的实验结果表明,提出的边阈角度损失的多频信息卷积说话人识别方法在说话人识别准确率上表现优异,充分证明了所提方法的有效性。(3)设计并实现说话人识别原型系统。采用编程语音Python、Matlab和深度学习框架Pytorch设计并实现基于潜在可区分性特征学习的说话人识别原型系统。该系统包含语音信号的预处理、特征提取、说话人模型匹配以及结果输出四个模块。其中,提出的基于潜在可区分性说话人特征学习方法和基于边阈角度损失的多频信息卷积说话人识别方法均在该原型系统中得以实现。该说话人识别原型系统的实现,展示和验证本文提出方法的有效性和实用性。