本文主要从信道补偿和信道顽健(Robust)特征两个方面,研究如何提高说话人识别系统的信道顽健性.在信道补偿方面,将两种语音识别中的信道补偿方法,最大后验概率MAP(Maximum A Posterior Probability)方法和极大似然估计ML(Maximum Likelihood)方法,应用到说话人识别系统当中,并且将之与倒谱平均减CMS(Cepstral Mean Subtraction)方法进行比较.在信道顽健特征方面,引入基频相关特征及其说话人模型,并以之为基础进行二次判决.在应用GMM(Gaussian Mixture Model)进行第一次识别的基础上,根据GMM得分判断是否需要进行二次判决.如果需要二次判决,则从所有参与第一次识别的说话人中,筛选出少量几个说话人参与二次判决.对每一个筛选出来的说话人,从其对应的基频相关说话人模型上得到3个基频相关结果,使用人工神经网络将这3个结果与已有的GMM得分有效融合,得到融合后的结果.二次判决是在这些融合后的结果上进行的.所采用的基线系统为文本无关的说话人辨认系统.实验结果表明,首先应用MAP方法进行信道补偿,再利用基频相关特征及其说话人模型进行二次判决,这样得到的闭集测试的最好识别率为92.5﹪.此外,训练说话人模板时,应该使用语音段参与训练而不是整个训练文件,也就是在训练之前去掉训练文件中的静音段,本文提出了一种利用动态能量阈值以及平滑后处理来去掉静音段的方法.