声纹识别属于生物特征识别技术中的一种,在数据安全日益受到重视的今天,正越来越多地被人们所关注。声纹识别和传统识别方法相比拥有很多优势,伪造难、成本低、易接受,语音获取容易,支持远程的认证方式,现已广泛应用于金融、公共安全、智能楼宇等领域中。现阶段的声纹识别模型大多是浅层的网络结构,缺乏对声纹特征的描述能力,也无法解决中文语音的识别问题。在实际的应用过程中,模型鲁棒性差非常容易受到外界噪声的干扰,造成识别结果上出现很大偏差。所以对声纹识别系统的研究具有很重要的现实意义。本文以开源中文语音数据库为研究对象,将受限玻尔兹曼机理论应用于声纹识别系统的研究中,提高了特征参数对中文语音的表征能力,构建了更深层次的网络结构模型,从而提高模型的抗干扰能力,并最终得到适用于中文语音的声纹识别系统。本文在MATLAB R2017a平台上进行开发,算法上对传统的声纹识别系统做出改进,利用软硬结合的方式建立了一种基于无监督学习方法的语音签到系统。主要研究工作内容如下:(1)对语音信号的特征提取方法做出改进。将预处理后的语音信号先用梅尔频率倒谱系数进行初步处理,接着再利用受限玻尔兹曼机网络对提取出的向量进行降维处理,通过重构误差曲线调整网络的结构参数,从而提升特征参数降维后的表征能力。(2)对声纹识别模型的网络结构做出改进,构建深度置信网络隐马尔可夫混合模型的结构框架。从提高标签缺失数据利用率的角度上,利用深度置信网络对特征提取后的语音进行无监督学习,得到更精确的样本数据观察率,再由隐马尔可夫模型完成语音类别的概率预测,比较后得到声纹识别的最终结果。通过设计对比实验发现,使用深度置信网络改进后的模型识别率更高。通过重构误差曲线优化网络的结构参数后,发现网络由3层受限玻尔兹曼机堆叠而成时的识别率更高。(3)搭建语音签到系统的硬件平台。将DE2开发板作为硬件设计的主要平台,由Quartus II软件完成编译。通过开发板上的WM8731芯片对收集到的语音进行模-数转换,再由IS 61LV25616AL-10芯片对转换后的数据存储,用于后续的电脑软件处理。使用S7-200CN构成系统的控制器,由V4.0 STEP 7软件完成控制部分的编译。结合控制器自身的扩展模块完成对语音输入端、出门开关、电锁、门阻、读卡器等模块的综合控制,并为后续的功能扩展预留部分端口。硬件部分添加了额外的继电器控制开关电路,可以确保公司、学校等地方门禁系统在极端环境下的正常运行,实现了声纹识别系统的数字化与智能化。