说话人识别技术是指通过说话人的语音自动鉴别说话人身份的技术,它是生物认证技术之一。与其他生物认证技术相比,具有数据采集简单,能实时识别,远程识别等优势,能够广泛应用于各种身份鉴定领域如门禁系统,密码系统,数据库系统,电话银行系统等。目前,说话人识别的方法主要有模板匹配,矢量量化(VQ),人工神经网络(ANN),隐马尔科夫模型(HMM)和高斯混合模型(GMM)等。GMM方法与其他方法相比,具有独特的优越性,特别是对于文本无关(Text-independent)的说话人识别系统。研究表明,GMM在文本无关的说话人辨认和说话人确认中都取得了较好的识别效果。在系统构建方面,本文利用VC++实现了一个完整的说话人识别系统,包括前期的语音处理,特征提取以及后期的模型训练,识别。实现了说话人识别的两大功能:说话人辨认和说话人确认。在前期语音处理和特征提取方面,使用了Mel倒谱系数(MFCC)作为特征参数,它与线性预测倒谱系数(LPCC)相比,能更好的体现人耳的听觉特性。在说话人模型方法,采用了高斯混合模型,它使用不同高斯密度的叠加来反映语音的声纹特征。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相关。本文还着重研究了高斯混合模型的训练方法,分析了语音长度对最大似然法的影响;分析了模型初始迭代法的特性,认为它在嵌入式系统中能够有较大应用空间;分析了区别性训练与非区别性训练的优缺点,证明了区别性训练能更好的区分各个说话人模型,取得更好的识别效果。在系统改进方面,由于说话人辨认系统已经很成熟,本文着重研究了在说话人确认方面的改进。说话人确认系统的关键是训练一个好的冒充者模型,针对特定背景模型和通用背景模型的优缺点,提出了改进的归一化背景模型方法,并且通过实验证明了改进后的方法能有效降低确认系统的等错率。