随着信息技术的迅速发展，人机交互技术的不断普及，说话人识别(SpeakerRecognition，SR)以其独特的方便性、经济性和安全性等优势受到了越来越多人的关注，在信息安全等领域的应用也逐渐增加。同时，随着嵌入式系统在处理速度、存储能力、功耗和体积等方面取得突破性的进展，嵌入式说话人识别系统逐渐成为语音识别技术面向实际应用的一个重要发展趋势。然而将与文本无关的说话人识别系统应用到嵌入式设备上，依旧面临着嵌入式设备计算速度、存储能力等资源受限问题和背景噪声、跨信道等算法鲁棒性问题，影响嵌入式说话人识别系统的精度和实际应用效果。　　 针对上述问题，本文在嵌入式说话人识别系统的运行效率和识别性能两方面进行了研究和改进。主要内容包括:　　 为了提高系统的运行效率使其能在嵌入式设备上得以应用，引入了一种快速算法——非线性分段(Non-Linear Partition，NLP)算法。由于该算法基于距离累积的分段规则对语音中的微小干扰鲁棒性较差，本文提出了改进的NLP算法，采用绝对值距离替代平方和距离，并引入马氏距离作为新的分段规则。实验证明，改进后的NLP算法使得分段的结果更加稳定。实验结果表明，采用改进的NLP算法相对基线系统整体性能提升20.22％。　　 为了提高系统的识别性能以及增强系统鲁棒性，针对不同的人发音习惯不同的现象，采用了一种基于基频曲线的特征来着重捕捉说话人较长时间的韵律信息。通过研究现有的一些融合方案，在基线系统的框架上进行改进，提出了一种在分数层上进行分类器融合的方法。该方法更加充分地利用训练用的语料，使得训练用的语料除了用来训练前端数学模型之外，还用来调整后端模型（支持向量机）的超参数，且获得了好的整体辨识结果。提出的多重特征融合的方法得到了最高的辨识率，相对基线系统整体性能提升了47.57％。