随着计算资源和训练数据的日益增加,基于深度神经网络的语种识别技术逐渐成为语种识别系统的主流。但是,目前学术界对于基于深度神经网络的语种识别系统的研究多局限于单一声学特征或者单一任务训练的模式之中,利用多种声学特征或者多种任务进行联合学习的研究较少。此外,在实际使用时,语种识别系统常常会遇到例如语音时长短、跨信道、开集等复杂应用场景,对语种识别技术提出了更高的要求;同时,在实际使用中也存在着方言识别等特殊任务的需求。本文基于东方语种识别竞赛的数据,研究了基于深度神经网络的语种识别联合学习方法,旨在解决上述实际问题。本文的主要工作和创新归纳如下:（1）针对多种声学特征联合学习,提出了自适应权重的多损失约束,使得多种声学特征的联合学习更加灵活;还提出了典型相关性分析约束,用于加强多个声学特征学习网络的输出之间的相关性,从而提高语种识别系统的准确率和鲁棒性。（2）针对语种-音素多任务联合学习,研究了多任务联合学习的不同实现策略,如强化音素信息的多任务联合学习、抑制音素信息的多任务联合学习、组合模式的多任务联合学习;还研究了一种语种-音素嵌入向量多任务联合学习网络,该网络能同时提取语种和音素的嵌入信息。（3）基于东方语种识别竞赛的历届训练集和测试集数据,系统地分析了在不同的测试环境下,语种识别系统的性能表现及不同测试环境对于语种识别性能的影响;还分析了基于多种声学特征深度联合学习和多种语音任务深度联合学习的语种识别系统的性能表现。