随着人工智能技术的飞速发展,市场上推出了各式各样的智能终端设备,智能语音的发展更是使得语音控制智能终端设备成为各大智能终端设备产品企业的主要技术研究方向,语音唤醒是智能终端设备和用户交互的入口,如何高效、准确地对用户的包含关键字的语音信号的输入给出反应成为这一技术的最重要的目标。而单纯的语音唤醒对的个人信息安全性缺乏保障,作为人机交互的入口需要加入身份验证声纹识别技术,声纹识别是用户对智能终端设备输入语音,通过算法来匹配声纹特征,而语音唤醒是指用户说出特定的语音指令时,设备从休眠状态切换到工作状态,给出指定响应。语音唤醒任务可以看成是一种小资源的关键字检测任务,其在计算资源和CPU占用空间小,因此其关键字检测系统框架与语音识别的系统框架有很大区别。声纹识别任务,通过字面了解到这是一种生物类识别技术的一种,也称为目标说话人识别模型,有两类即目标说话人辨认和目标说话人确认。本文的研究目的是基于深度学习的声纹识别语音唤醒系统的设计和实现,通过将声纹识别和语音唤醒进行了技术创新结合,并对深度神经网络架构进行对比择优,针对声纹识别准确率和语音唤醒的唤醒率提升,所做的主要工作如下:(1)参照端到端的模型架构,对声纹识别模块和语音唤醒模块采用的是分开训练,使得两个模型的准确率和唤醒率达到最优后进行整合,使得提升整个系统的准确率和交互效果。(2)在声纹识识别模块中利用端到端的匹配模型LSTM加DNN的组合,并在其中采用线性和非线性激活函数的结合,使得模型能够对语料有比较准确的匹配过程和较低的参数计算量。(3)在语音唤醒模块中使用端到端的Wave Net模型做语音唤醒的网络架构,其中的迁移学习和扩张卷积以及残差网络,优势在于利用语音识别的初始化参数和扩张卷积的较低参数计算量以及残差网络的剩余信息使输入的预料更好的时序性,整个网络能够保证对模型的低功耗小资源的要求。最后,通过模型网络选取上的对比实验,测试了声纹识别和语音唤醒模型以及网络选择不同的对比效果,本系统通过对声纹识别和语音唤醒两个模块对大量的中英平行语料进行训练,使得模型的准确率能够得到保障,能够准确地进行声纹识别到语音唤醒的准确率和唤醒率,通过对两个模型的整合从而实现了系统的初衷声纹识别语音唤醒。