说话人识别技术通过分析说话人的语音样本即可认证话者身份,相较于其他生物验证方式,其具有采集要求不高、非接触性、识别效率高、用户体验度高等优势,有着重要的研究意义和实用价值。然而,先进的语音合成算法和高保真数码设备的录音回放等对说话人识别系统的安全性能造成极大的威胁。因此,本论文将研究说话人识别以及反欺骗攻击的关键技术,优化提升说话人识别系统的开集识别性能,并提出多特征多任务学习机制,提高真实与欺骗语音二元判决的识别性能。本论文的主要工作包括:(1)分别采用不同的神经网络架构,如TDNN、LSTM和Attention等,实现基于x-vector的说话人识别系统。为了提升说话人识别系统对开集测试的鲁棒性,本论文提出了 Filler通用结点模型,优化识别系统的网络框架,进一步提升识别性能。(2)为提升说话人识别系统反欺骗攻击的安全性能,本论文提出了多特征整合网络结构,在单个神经网络内添加Stitching Layer,整合不同声学特征的非线性表征后再进行深度特征提取,挖掘不同声学特征在时间-频率分辨率的不同刻画能力。(3)针对不同类型以及未知的欺骗攻击方式,本论文提出了使用多任务学习对不同欺骗攻击条件进行分类训练,以提升二元决策的泛化性;为优化多任务间共享信息的有效传播,本论文提出了 Butterfly Unit模块,协调不同任务对网络参数学习的影响程度。本论文在说话人识别NIST SRE10、SRE18评测集验证了 Filler通用结点模型的可行性,在ASVspoof2017和ASVspoof2019评测集上验证了多特征多任务学习机制的有效性。在实际评测任务中,SRE18的CMN2任务指标排名全球47队中的第13位,ASVspoof2019的PA任务指标排名全球52队中的第7位。