随着深度学习的发展,说话人识别的研究重心逐渐从基于统计模型的方法向基于深度学习的方法迁移,在识别准确率及鲁棒性上已经全面超越传统的方法。然而,开放场景下的说话人识别因语音受到背景噪声、混响、多人同时说话以及语音时长不一致等复杂声学环境的影响,导致说话人识别模型无法在音频特征中有效提取具有身份辨别能力的特征,使得模型的识别效果欠佳。为了提升说话人识别模型在开放场景下的准确率及鲁棒性,本文就基于深度学习的说话人识别中的关键技术进行研究,提出了新的帧级特征聚集策略以及融合损失函数。首先,为了增强帧级特征提取网络在开放场景语音中提取高辨别性特征的能力,提出了一种基于Ne Xt VLAD的多尺度帧级特征聚集策略（Ne Xt VLAD-MSA）。将视频分析领域中优秀的局部描述子分组聚集方法（Ne Xt VLAD）引入到帧级特征聚集层中,将深度卷积神经网络（DCNN）隐层中不同时频尺度的、对辨别说话人身份有利的帧级特征聚集成句级特征向量,随后融合起来生成具有说话人身份辨别能力的声纹特征向量。实验结果表明本文提出的Ne Xt VLAD-MSA方法相比已有特征聚集方法取得更好的结果。其次,为了增强说话人识别模型的区分能力以及训练效率,提出将基于小样本学习（Few-shot learning）框架的余弦原型损失（Cosine-Prototypical Loss,CP-Loss）函数与基于附加间隔的Softmax损失函数融合成一个优势互补的融合损失函数,并在小样本学习框架下进行模型训练。使用间隔Softmax损失函数能有效增加不同类别之间的间隔并稳定训练过程,使用CP-Loss能直接对说话人特征空间进行优化,两者融合起来后训练的模型能增强开放场景下的区分能力,并具备更强的鲁棒性。为了验证该融合损失函数的有效性与泛化性能,本文将该融合损失函数用在多种模型中进行实验,实验结果显示使用融合损失相比于只使用其中任一种损失函数获得的等误率平均降低10%以上。最后,本文将所提出的方法集成到统一的模型中,并组织实验与目前已发表的先进的说话人识别模型在Vox Celeb-1测试集上进行横向比较。实验结果显示,在与仅使用Vox Celeb-1训练集训练的模型比较中,本文提出的模型EER和min DCF分别达到了2.53%和0.284,是目前使用Vox Celeb-1训练集训练所能达到的最好结果;在与仅使用Vox Celeb-2训练集训练的模型比较中,本文提出的模型EER和min DCF分别达到了1.43%和0.17,在EER上与使用Vox Celeb-2训练集训练的当前最先进的模型相当,在min DCF上达到了最好的结果,并且本文的模型仅有1.9M参数量,而该对比模型的参数量为13M,是本文模型的6.8倍。