本论文主要研究了基于高斯混合模型(GMM)的说话人识别系统，针对高斯混合模型中对初始值敏感，容易陷入局部极小值而得不到最优解的问题，重点研究了聚类分析的初始化算法。在研究传统的K-均值算法聚类初始化分析的基础上，将具有全局优化特性的遗传算法引入到高斯混合模型的初始化聚类分析中，并结合量子计算的特性，进一步将量子遗传算法应用于高斯混合模型的参数优化过程中，提出了基于量子遗传算法的高斯混合模型说话人识别算法。本论文的主要工作有:　　 (1)研究了量子遗传算法特性并对算法性能进行了实验测试；　　 (2)建立了一个包括10个说话人(7男3女)的语音数据库；　　 (3)设计了经典遗传算法高斯混合模型的说话人识别系统，利用遗传算法的聚类分析能力和全局优化特性，改善了说话人识别算法对初值敏感的问题，使算法在较短的训练语音的说话人识别中体现了较强的优势并提高了说话人识别系统的识别率；　　 (4)提出了基于量子遗传高斯混合模型的说话人识别系统，并进行了实验及结果分析。针对经典遗传算法的搜索能力不足以及在大数据量下寻优能力的不足，并结合量子遗传算法的特点，利用量子遗传算法对高斯混合模型的初始化参数进行优化，进一步提高了算法的寻优能力和模型训练速度，得到更优的模型参数。　　 实验结果表明:运用量子遗传算法的说话人识别系统在训练过程中能更快的收敛到最优的模型参数，在识别率上相比于经过传统K-均值算法和经典遗传算法所训练的参数模型能得到更高了识别率。