随着神经网络建模能力的不断提升和深度学习在多种学习任务上的优秀表现，声纹识别作为生物识别技术的一种，不断突破着技术性能。从说话人的声音中提取出能够表示说话人身份的特异性特征，称之为声纹特征。声纹特征可以广泛应用于身份认证领域，成熟的应用包括声纹锁和声纹识别系统等，目前正逐步进行大型的商业应用。近年声纹识别的重心也渐渐从传统方法向深度学习方向转移，特别是端到端深度模型方向。现有的基于神经网络的声纹识别研究，在提取的深度声纹特征中存在区分性不足的问题，需要构建更为有效的训练准则。在训练深度神经网络进行声纹识别工作时，模型的损失函数对神经网络的收敛发挥着关键性的作用。
　　分析比较了近年深度神经网络在声纹识别领域的相关进展，在通用端到端损失函数的方法基础上，提出了基于间隔损失的端到端声纹识别方法。提出了基于加法余弦间隔损失、基于加法角度间隔损失和基于联合间隔损失的方法，通过引入一个间隔值，提升神经网络学习声纹特征的难度，迫使其生成同类间聚集性更强、不同类间差异性更大的深度声纹特征。在大规模的英文数据集上进行了算法验证，通过分析仿真结果，相比于通用端到端损失函数，基于附加间隔的损失函数使得声纹识别系统在等错误率上有良好的性能提升，最优的等错误率性能提升达到5.3%，充分说明了对于间隔损失函数的改进方法的可行性。
　　此外，在基于间隔损失的声纹识别算法基础上，设计完成了一个声纹识别系统。通过对声纹识别场景和用户需求的充分理解，对声纹识别系统的结构和系统功能进行详尽的设计，成功满足了声纹识别系统的功能要求。在实际场景的系统测试中，设计的声纹识别系统不但符合用户的功能需求，同时也满足在识别准确率和识别速度上的一定要求。