经过了几十年的研究发展,说话人识别技术凭借其快速、简便的优势,在人机接入领域得到了大家广泛的关注和研究。匹配模型是说话人识别研究中的关键技术,模型性能的优劣对识别系统识别率的影响重大。信号的稀疏表示技术近几年被广泛应用于说话人识别之中,它与高斯混合模型相结合,显著提高了识别系统的准确率。目前,说话人识别研究的主要方向是进一步提高系统的鲁棒性,具体表现为解决信道失配问题和环境噪声问题;另一方面,在智能终端广泛普及情况下,借助智能终端进行快速准确的身份识别,需要进一步解决系统复杂性问题。本文主要对基于稀疏表示的鲁棒性说话人识别技术进行了深入研究,在此基础上,本文主要工作和创新如下:(1)在训练基于高斯混合模型均值超向量的稀疏表示字典时,需要大量的训练语音以达到字典冗余的条件,本文提出使用高斯混合模型均值矩阵代替均值超向量进行字典训练来解决这个问题,同时,每个说话人即可形成一个冗余字典进行说话人识别,识别时的计算量也得到了降低。(2)对比了样本字典和学习字典这两种字典在干净语音环境与有噪语音环境下的性能,发现学习字典的抗噪能力要弱于样本字典,并且提出在训练语音中加入噪声以减小识别环境和训练环境的差异,从而提高识别率。(3)针对识别时的环境噪声问题,提出一种适用于稀疏表示说话人识别的全局补偿方法。该方法对不同阶特征参数进行逐一分析,目的是为了找出被噪声影响最严重的一阶参数并去除之,以此增强测试语音与训练语音之间的相关性,提高了识别系统适应不同噪声环境的鲁棒性。仿真实验结果表明本文方法明显加强了说话人识别系统的抗噪能力,在背景噪声为白噪声,信噪比为15dB的情况下,识别率可达到96%,与无噪环境下的识别率相差无几。