说话人识别技术是一项通过提取可以表征说话人生理特性的语音参数对说话人身份进行认证的技术。近年来,由于研究者们对人工智能技术的不断深入研究,说话人识别技术也因此得到了快速的发展。语音工作者已经把工作重心从研究基于高斯混合模型的说话人识别方法逐渐转移到研究基于深度神经网络的说话人识别方法中。其中模糊神经网络对说话人语音信号具有较强的模型分类能力,而卷积神经网络对数据又具很好的表征能力,基于此,本文通过提出一种改进的说话人识别方法,对说话人识别效果进行研究。本文的主要内容如下:(1)针对模糊神经网络存在的难以对数据特征进行深度提取的问题,本文通过将卷积神经网络的卷积层和池化层与模糊神经网络进行有效地结合,提出基于改进模糊神经网络的说话人识别方法。该方法首先通过利用卷积层对数据特征进行深度提取,然后通过池化层对提取的特征进行降维,最后将池化层输出的数据模糊化后,模糊推理系统会根据被模糊化后的输入信号的隶属度值,计算出当前规则的适用度,并完成数据去模糊化后,输出层将输出说话人识别结果。(2)针对当前Dropout算法存在因随机丢弃神经元而可能造成关键信息丢失的问题,本文对Dropout算法进行了改进。在当前Dropout算法中引入对神经元输出值阈值判断、分类的机制,并通过自定义函数降低激活程度较高的神经元被丢弃的可能性。实验结果表明,改进的Dropout算法能够有效地提升说话人识别系统的识别性能和泛化能力。