说话人识别作为语音信号处理技术的一个代表和重要组成部分,近几年来,日益成为当今的一个研究热点,在电子商务、消费、银行等远程客户服务的身份认证,军事安全领域的说话人身份自动检测认证中具有极大的应用价值和广泛的应用前景。它是一种基于生物特征信息的身份识别方法,通过对说话人的语音进行分析,从而对说话人身份做出正确识别和判断的一项研究。依据判别方式的不同(一对多,一对一),说话人识别可以分为说话人辨认和说话人确认。随着交互技术和信息技术的飞速发展,说话人识别开始越来越受到大家的关注。本论文主要做的工作如下:首先,本文针对说话人识别的前端处理方面进行了相关研究,得出并实现了一个比较合理的处理算法;其次,讨论不同语音特征向量的提取方法,最终得出针对说话人识别而言比较合理的特征向量:美尔倒谱系数(MFCC)。在成功提取出MFCC的前提下,讨论了MFCC各维参数对最终结果的贡献;再次,在识别模型的训练方面,主要研究高斯混合模型的模型训练,在这种训练方法中,主要讨论了最大似然估计算法,期望-最大化算法以及最大模型距离法;再其次,在性能研究方面,研究了不同高斯混合密度下说话人辨认系统的识别率,认为高斯密度个数的选择与训练语音数据量具有相关性。同时验证了其他其它几个与识别率有关的参数因素与系统性能关系;最后,搭建了一个说话人识别系统用于试验测试,验证了一些参数对性能的影响,同时使用了多线程并行处理技术,以此缩短识别时间:并提出了一种放大特征向量差距,变换特征向量在特征空间的分布来提升大容量语音库中说话人识别率的方法。