说话人识别是通过分析和提取一个或多个语音信号的特征来确定说话人身份的技术,也称为声纹识别(voiceprint recognition)。说话人识别技术是继指纹识别、人脸识别、虹膜识别之后又一有着广阔应用场景的身份验证技术之一。以其独特的适用性、方便性和准确性以及无肢体接触的特点,成为当前语音领域一个重要的研究热点。20世纪90年代中期,特别是高斯混合模型应用于说话人识别领域之后,说话人识别技术便持续受到研究者关注,得到了很大的发展和改进。目前说话人识别技术对纯净语音的识别效果已经有了较高的水平,然而在实际生产应用中,说话人识别系统的鲁棒性、可迁移性、短语音识别率等方面都还有着较大的提升空间。现实生活场景中最常见的诸多噪声已经成为影响说话人模型识别性能的重要因素之一。因此,如何有效地提高说话人识别系统在真实噪声环境中的识别性能,成为当前语音领域最重要的研究热点之一。本文主要研究内容如下:(1)系统介绍了说话人识别基本知识和当前面临的主要技术难点,分析了说话人识别常用算法的优缺点,选取基础i-vector说话人识别模型和LSTM说话人识别模型使用AISHELL开源数据中的部分数据进行了初步的实验对比。(2)主要对语音信噪比计算、截幅检测等相关方面的内容进行研究,提出了实现语音信噪比计算和截幅检测的方法,分别基于C++实现了批量语音信噪比计算、基于python实现了批量音频截幅检测工具。在训练中,可以通过语音截幅检测来过滤掉有截幅的音频,提升模型训练数据质量;在实际应用场景中,通过音频信噪比计算对音频质量分类和语音降噪来提升录入音频质量,进而提升说话人识别系统性能。(3)相比较于传统的说话人识别技术(如GMM-UBM,JFA,i-vector等),本文聚焦于深度学习框架下端到端的说话人识别方法,分别设计了基于端到端的CNN-LSTM和Res Net-LSTM融合网络模型,通过设置不同信噪比数据集进行对比实验。实验结果表明,在两个公开语音数据集上本研究所提模型相较于基础的CNN-LSTM说话人识别模型识别性能更好,进而证明了使用更深的残差网络来替换卷积网络能够更好地提取说话人语谱图特征。通过选取Triplet Loss和GE2E Loss代替原本网络结构中的Soft Max交叉熵损失函数对网络结构做出改进,实验表明选择GE2E Loss函数能够进一步有效提升当前网络模型的识别性能。