说话人识别是生物身份识别中最重要的技术之一,在电子设备加解密、线上支付、智能家居、国防军事等领域有着广泛的应用前景。当今基于语音的身份验证技术凭借其便捷、安全的特点已经走进千家万户,个人身份信息和财产安全与其紧密相连。面向终端应用的高准确率、轻量化说话人识别技术是说话人识别迅速推广的关键,因此进一步提高说话人识别系统的准确率、降低算法模型参数和计算量具有现实意义。本文基于残差网络,设计了一种高准确率说话人识别模型。在语音活动性检测和语音信号预处理后使用基于梅尔频率的滤波器组的输出及其二阶差分作为模型的输入,使用特征压缩网络对特征进行压缩和初步提取。该模型基于尺度重排模型Spine Net和高效通道注意力机制ECA模块,搭建了一种SPNN-ECA（Scale-Permuted Neural Network with Efficient Channel Attention）网络结构。基线模型Res Net属于单尺度特征网络,残差块顺次连接且尺度层级单调递增,在模型的前向计算过程中会丢失部分特征信息。而Spine Net允许残差块跨尺度层级连接,同时允许尺度层级随时减小或增大,从而提供了丰富的粗粒度层级多尺度特征。同时针对Spine Net设计了基于挤压和激励通道注意力机制SE模块的后端注意力输出模块,该模块可以进一步突出特征中包含的有效信息,提高说话人识别系统的性能表现。本文设计了一种基于BPSA-SP2NN-ECA（Res2Net based SPNN-ECA with Backend Pyramid Squeeze Attention）的说话人识别轻量化模型,轻量化是指降低算法模型参数量和计算量,从而增强模型的适用性。该模型通过减少卷积通道数量,降低模型参数数量;设计了基于金字塔挤压注意力机制的轻量化后端注意力输出模块,使用自适应最大池化层取代了注意力统计池化层,进一步减小了模型参数数量,同时对轻量化说话人识别系统性能有一定程度提升。在SPNNECA基础上引入了Res2Net结构,使模型同时具有了粗、细两个粒度层级的多尺度特征提取能力,提高了轻量化模型性能。本文使用了开源普通话AISHELL语音语料库构建训练集、测试集和验证集。实验结果表明,本文提出的说话人识别模型SPNN-ECA的等错误率为0.2032%,相较于基线模型Res Net34下降了22.1%,该模型进一步提高了说话人识别系统的准确率,同时为基于残差网络的说话人识别模型提供了一种改进思路。本文提出的轻量化说话人识别模型BPSA-SP2NN-ECA的等错误率为0.6781%,相较于SPNN-ECA有小幅度增加;参数数量仅为2MB,相较于SPNNECA减少了93.1%,该模型显著提高了说话人识别系统的轻量化性,同时可以方便的部署到小型终端,为说话人识别的实际应用提供了一种方案。