随着互联网技术的发展，人们有机会接触到大量的多媒体内容。由于多媒体数据量的快速增长，对多媒体内容的分析和分类变得越来越迫切。作为多媒体数据中标志性部分的音频数据，为人们的感知提供了重要的信息内容，因而音频信号处理在多媒体信息处理中占有重要地位。 近年来，由于话者分割在音频检索、说话人身份鉴别和自动跟踪等方面的广泛应用，众多学者在说话人分割方面做了大量研究。话者分割，是根据语音波形中反应说话人生理和行为特征的语音参数，自动分割出说话人改变点的过程，它是音频信息处理研究领域的一个重要研究方向，具有广泛的应用前景，得到人们越来越多的重视。 区别于一般用能量分割静音的方法，本文采用一种新的似然比特征去除低信噪比环境中的噪声，提高了系统的鲁棒性。同时，由似然比特征，导出了一种新的特征参数--似然比交叉率，该特征能很好的表征语音和音乐间的差别，这个特征也适用于其他低信噪比环境。 文中对传统的贝叶斯话者分割算法存在的问题进行分析，提出了一种新的改进型贝叶斯话者分割算法。该算法基于贝叶斯准则确定初选改变点，对其端点的变化趋势做进一步分析，得出说话人改变的分割点。 支持向量机是在统计学理论上发展起来的一种模式识别方法，在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势，同其他模式识别方法相比主要有两个特点：一是它采用非线性核函数来表示特征空间的内积，另外它采用分类间隔最大的最优分类超平面实现结构风险最小化原则。由于支持向量机具有坚实的理论基础，得到越来越多的研究，并在各个领域中得到了广泛应用。 通过用支持向量机学习方法对音频数据进行分类，本文对不同参数组合下的分类精度进行了比较，并分析了参数对分类精度、支持向量个数及分类时间的影响。进而提出了如何确定参数以提高分类精度并减少分类时间的新方法。