说话人识别是指通过说话人的语音特征来自动识别说话人的身份，它在许多领域内都有良好的应用前景。本文通过分析说话人识别基本原理与系统结构，考察现有的说话人识别技术，研究线性预测倒谱系数及其差分、美尔倒谱系数及其差分特征参数相结合，矢量量化(VQ)与隐马尔可夫模型(HMM)相结合的方法应用于说话人识别，建立说话人识别系统。 本文首先从语音信号的预处理开始分析，对语音信号进行了端点检测，滤除了语音信号的无声段和噪声，为语音特征参数的提取提供了有效的语音段。本文还比较了传统的语音端点检测方法与基于LCP美尔倒谱特征的端点检测方法的性能，通过比较基于LCP美尔倒谱特征的端点检测方法能够更好地在高噪声环境下检测出语音端点来。 本文应用全极点模型提取语音信号的线性预测系数，并推导出其倒谱系数，获得线性预测倒谱系数及其差分，用以描述说话人声道的动态变化。选用美尔倒谱系数及其差分作为语音识别的特征参数，来描述人耳的听觉频率非线性特性。实验证明这种将倒谱系数与其一阶差分结合在一起形成新的特征参数与单纯的线性预测倒谱系数和美尔倒谱系数相比能有效地提高识别率。 识别算法方面，分析了目前常用的矢量量化(VQ)方法和隐马尔可夫模型(HMM)方法，介绍了矢量量化的基本理论及其LBG算法，还分析了隐马尔可夫模型的理论基础及其有关实现算法，研究了其在说话人识别中的应用。 最后用matlab软件仿真实现了一个说话人识别系统，该系统包括了说话人辨认模块和说话人确认模块。程序界面友好，操作方便。先对实验中的10个人进行声音采集，预处理，然后在仿真系统上，分别用VQ和HMM两种识别算法进行实验仿真。最后又提出了基于VQ和HMM的说话人识别系统，在隐马尔可夫模型前端采用矢量量化为每一说话人设计码书，避免了由于说话人使用同一码书带来的量化误差，接着将误差又带到下一级的HMM识别，引起误差积累效应。获得了很高的识别率。具有运算速度快，计算量小，差错率低等优点。