随着信息技术和网络通信的快速发展，人们对信息安全性的要求越来越高，说话人识别技术，凭借其较高的安全性和便捷的使用方式，广泛地被应用于互联网和通信领域，完整的说话人识别系统由预处理、特征提取、模式匹配和判定这几块共同构成，自Bell实验室的L.G.Kesta提出了“声纹”的概念后，大量学者针对说话人识别技术中不同模块展开研究，收获颇丰。目前，与文本相关的说话人识别技术的研究相对较为成熟，识别性能较好，但是与文本无关的说话人识别技术性能的提升空间还很大，除此之外，由于现实生活中绝大部分的语音信号都含有噪音，而传统的说话人识别算法大多针对干净语音，因此寻找一种鲁棒性较好的说话人识别技术也迫在眉睫。另一方面，近几年，压缩感知理论受到国内外的广泛关注，该理论突破了奈奎斯特采样速率的限制，对可压缩信号在采样的同时也进行压缩，将压缩感知这一新理论与说话人识别这一亟需突破的领域相结合，为说话人识别系统性能的提升带来希望，具有重大的实际应用价值。　　本文在对压缩感知理论和说话人识别技术进行深入学习的基础上，针对与文本无关的说话人识别技术，做了以下工作:　　1)研究了稀疏表示理论在模式识别领域中应用，分析了稀疏表示理论和压缩感知的联系与区别，提出用组合特征矢量训练GMM均值超向量，并以此为基础构建稀疏基，随后提出了一种基于压缩感知稀疏表示的说话人识别算法，为两种理论的结合开辟了思路;　　2)深入研究了贝叶斯框架下的压缩感知算法，给出了区别于传统重建算法的贝叶斯重建算法，鉴于该算法得到的解更接近于最小l0范数的解，率先提出了基于贝叶斯压缩感知的说话人识别算法;　　3)针对基于压缩感知的说话人识别算法中的稀疏系数的特点，引入半高斯先验，详细分析基于该先验的贝叶斯压缩感知后，提出基于近似贝叶斯压缩感知的说话人识别算法;　　4)针对说话人识别系统在噪声环境下识别率普遍较低的问题，在详细分析语音信号和噪声信号稀疏性差异后，提出了一种基于压缩感知的语音增强算法，并将其应用在说话人识别前端。　　本文最后对所做的工作和成果做了总结，并对今后的工作进行了展望。