基于生物特征的身份认证方法凭借其对身份的表征能力、使用的便利性、不易盗取的优势逐渐成为身份认证技术中的重要方法。在生物特征中,声纹既包含个人的生理特征,也包含个性的行为特征,相比指纹,人脸等静态特征具有更高的安全性,是身份认证技术中的研究热点和未来趋势。当前声纹识别技术在实际应用中的瓶颈问题是其面对多变环境时的识别稳定性和面对假冒语音攻击时的安全保障能力。首先,在实际应用中除了周围环境噪声的干扰,说话人自身状态的改变如生病,情绪波动等都会改变声音特性,从而影响声纹认证的稳定性。面对该问题,当前声纹识别技术开始从基于单特征建模逐步发展为基于多特征构建身份模型,意图从多特征中提取出更稳定的身份信息。但目前的多特征融合方式多为直接拼接,这种方式无法有效发挥各类特征的作用,并且会极大的增加特征维度和训练的复杂度。其次,随着技术的发展目前一些通过技术手段伪造的语音和真实语音相似,极大的威胁着声纹认证技术的安全性。针对该问题,在声纹识别领域专门形成了对反欺骗算法的研究,但当前的对策主要是对各类攻击单独讨论,尚未和声纹验证任务进行有效融合,这限制了声纹身份认证技术的实际应用。因此,本文针对上述问题进行了三点工作,首先,梳理各类声纹特征,并分别基于理想环境数据集,非常态语音数据集对各类声纹特征的有效性进行实验,基于实验结果对各类特征的稳定性展开对比和分析。之后,本文基于实验结果构建多层声纹特征集,提出基于Fisher比的双层多特征融合算法,该融合机制基于Fisher 比分别从特征层和决策层对多层特征进行层内多特征融合和分层的决策加权融合。实验显示,本文提出的多特征融合模型相比单特征模型表现了更好的性能。最后,本文提出了基于多任务学习和多特征融合的声纹验证及反欺骗算法。该算法结合之前提出的基于Fisher比的多特征融合方法,并使用多任务学习机制对声纹验证和反欺骗算法两个任务同时建模。两个任务互相补充,使声纹验证任务中包含对欺骗语音的防御信息。实验显示,该模型能够全面提高声纹验证的稳定性和安全性。