随着各种安全问题的不断出现,生物识别技术受到了越来越多的重视。说话人识别以其简单、安全等特性得到了广泛的应用。经典的GMM-UBM模型虽然取得了不错的效果,但是其计算量过大,区分性不强,且背景噪声和信道失配等问题也导致了系统性能的下降。本文针对这些问题展开了研究,主要研究的内容有:首先,采用二阶差分MFCC特征参数来刻画说话人的语音特征,使用经典的GMM-UBM模型。在此基础上增加了 i-vector向量,相比于联合因子分析的方法,i-vector只需训练一个全局差异空间,用这个全局差异空间来表示与说话人相关和与信道相关的信息。每个说话人的语音特征就由i-vector向量来表示。在i-vector空间上应用概率线性鉴别分析(PLDA)进行降维和信道补偿,在一定程度上提高了系统的性能。然后,在i-vector的基础上,引入了稀疏表示,介绍了基于i-vector的稀疏表示分类器。通过将训练语音提取的i-vector构造字典,而将待测说话人语音提取的i-vector表示为字典中原子的线性组合,根据稀疏表示系数对信号进行重构,通过重构信号和原始信号之间的残差,决定待测语音信号所属的类别。针对GMM混合度越高,系统的识别率越好,但随着维数的升高,系统计算的复杂度也相应的增加。为此,引入了 PPCA算法进行降维。相比传统的主成分分析(PCA),PPCA考虑到成分的概率分布,决定所选取的主成分,克服了 PCA只是简单的选取最大的几个特征值对应的特征向量,不能保证所选择的主成分一定是对特征向量贡献最大的,从而造成系统性能下降的问题。通过对PPCA进行去相关、最优降维、降噪实验,及PPCA与PCA的对比试验,可以看出PPCA降维,能够保持识别率不会降低,甚至出现轻微的增长。同时PPCA的降维性能也优于PCA。最后,对本文所做的研究做了详细的总结,总结了本文的贡献和不足之处。同时,对说话人识别未来的发展做了展望。