智能化时代下,说话人识别技术可以为用户带来更具个性化的生活服务。目前,以深度学习为理论框架的说话人识别的研究取得了重要性的突破。然而,说话人识别系统的性能在实际应用中仍然面临着挑战。尤其是噪声问题,已成为阻碍说话识别技术未来商业化发展的重要因素。因此,本文围绕噪声环境下如何保持说话人识别性能的问题展开讨论,主要工作内容如下:（1）提出了一种基于边缘粒子滤波（RBPF）与深度置信网络（DBN）融合的说话人识别方法。该方法首先利用离散傅里叶变换将带噪语音信号转换到频域中,然后对每帧频谱数据采用基于低阶时变自回归模型（TVAR）的RBPF进行增强处理。接着利用主成分分析技术（PCA）对增强后频谱数据进行白化处理,提取主成分特征作为DBN的输入,最后通过DBN自适应特征学习对说话人身份进行判别。通过与其他语音增强方法下的说话人识别方法进行对比实验,在不同噪声条件下,所提出的说话人识别方法识别性能更优。与时域RBPF增强方法对比分析,该语音增强方法运行速度提高了约80%。（2）提出了一种基于堆叠扩展降噪自编码（SEDAE）网络的特征提取方法。该方法通过标签约束,引入了说话人辅助信息。在无监督表征学习的基础上,结合有监督学习对编码层参数进行微调。这样提取到的特征不仅具有表征性,而且更适合分类。针对传统半监督学习方法调参难的问题,创新性提出将标签约束下的自编码网络学习过程定义成一个元优化问题,利用元学习方法实现网络的自主学习。最后,将SEDAE提取到的特征输入到卷积神经网络（CNN）进行说话人识别。与基线方法对比实验中,该说话人识别方法表现出更好的鲁棒性。在10dB白噪声破坏下的语料集中测试结果表明,该说话人识别方法平均识别率约为95%,优于基于RBPF与DBN的说话人识别。（3）搭建说话人识别系统平台,实现了门禁系统的声纹控制功能。首先基于MATLAB完成说话人识别算法的搭建以及图形用户界面的设计,用户可以通过语音录制完成说话人识别。然后基于STC89C52单片机完成了继电器控制模块的设计,单片机通过接收来自PC端的指令信号,并对指令数据进行校验解码,实现对继电器的通断控制。最后利用该系统测试了说话人识别算法基于分数层面上的融合模型,并确定了最佳融合因子。