人体生物特征如指纹、人脸和虹膜由于其方便性和安全性被广泛用于身份识别和认证领域,极大的方便了人们的生活。最新研究表明,嘴唇特征包含讲话人独特的嘴唇生理结构信息和讲话习惯信息,可以用于对讲话人进行身份识别和认证。此外,嘴唇特征可以作为其他生物特征的有效补充,比如跟人脸识别结合增强活体检测功能,和语音识别结合提高语音识别在噪音环境下的识别效果等,故而研究唇语特征的提取和运用具有重要的意义。基于嘴唇区域的讲话人识别与认证的难点在于唇语特征的提取,该特征既包含嘴唇外观的静态信息又包含讲话时嘴唇的形变特征的动态信息。传统方法如嘴唇轮廓提取、纹理特征提取和稀疏编码等方式虽然能够提取关于讲话人的身份特征信息,但是对讲话人在不同光照、不同角度和不同距离下的现实环境中的效果却不尽如人意。本文研究的主要内容是提取在复杂自然环境下抗干扰能力强的讲话人唇语特征。基于卷积神经网络在图像识别和视频分类等方面的优异表现,本文结合唇语视频序列的特点,提出了基于三维卷积神经网络的嘴唇特征提取模型。为了能够更好的提取讲话人唇语视频序列的时间和空间维度方面的信息,本文首先将整个较长的视频序列分为一系列短的子序列,然后基于三维卷积神经网络(3DCNN)设计特定的唇语特征提取网络提取讲话人的唇语特征。为了提高实验结果的可靠性,本文在自建的包含200个不同讲话人的唇语视频库上进行了一系列的实验,并和多种目前取得最好效果的方法进行比较和分析。实验结果表明,本文的方法在讲话人识别和认证上都优于传统方法,取得了99.18%的分类准确率和0.15%(HTER)的认证误差。在人为模拟光照和旋转的环境干扰情况下,本文的方法显示出了较好的鲁棒性。此外,该方法在包含近3000人的复杂自然场景数据集VoxCeleb2上也取得了不错的效果。