随着各种仿生智能技术的发展,适用于特定场景的说话人识别系统也层出不穷。说话人识别技术作为生物仿生特征识别的重要研究分支,以其广泛通用性、长效稳定性和成本低等优势,在各个领域中获得了广泛应用。鉴于集成学习算法具备强大的非线性分类能力,目前已经被应用于说话人识别系统中并取得了一定的研究成果,但传统的集成学习算法依旧存在识别精度不足、效率低、鲁棒性差以及对不平衡数据分类能力弱等问题。本文针对传统集成学习算法的不足,围绕多场景语音识别需求开展深入的研究,基于生物免疫学理论提出了适用于多种实际情况的集成学习分类算法,推动了说话人识别技术在刑侦、身份确认、安保安防等领域的应用。本文主要研究工作和创新点如下:（1）针对传统集成学习算法处理不平衡数据时错分代价大、精度低的问题,提出了Bal-Adaboost算法并应用于说话人性别识别中。该算法受分类器评价标准的启发,在传统Adaboost算法的基础上,加入了可自适应调节的惩罚项,通过实现数据最优划分,有效解决了不平衡数据分类问题。基于公开不平衡数据集与说话人性别数据集对算法进行验证,结果表明Bal-Adaboost算法在两类数据集上都表现出更高的精确性,可实现待分类数据的最优划分。（2）针对传统集成学习算法分类速度慢、鲁棒性差的问题,提出了基于生物免疫特性的Immune Boost算法并应用于单类说话人识别中。该算法借鉴生物免疫特性,利用先天性免疫分类器与适应性免疫分类器的协同作用,解决了传统Adaboost算法存在的算法复杂度高、时间耗时较长、训练误差高的问题。本文通过大量实验对比了算法在不同数据集中的性能,结果表明Immune Boost算法在单类说话人声纹数据集、高斯数据集以及公开数据集上均表现出较高的分类准确率、鲁棒性与高效性。（3）针对传统集成学习算法处理多类分类任务时存在的精度低、运行速度慢的问题,提出了MC-Immune Boost算法并应用于多类说话人识别中。该算法以先天性免疫分类器的决策策略为出发点,提出了一种基于改进决策准则的MC-先天性免疫分类器,进一步提高了MC-适应性免疫分类器的有效性。实验证明,本文提出的MC-Immune Boost算法在多类说话人声纹数据集和公开数据集上取得了良好的识别性能。