语音是人的自然属性之一,由于发音器官的生理差异以及后天形成的行为差异,每个人的语音都带有强烈的个人色彩,那么我们就可以通过分析语音信号来识别说话人,由此使得我们研究说话人识别具有现实意义。随着计算机技术和通信技术的高速发展,说话人识别技术被广泛的应用于各个领域,如在公安司法领域、军事领域中进行监听与鉴别,在安全保卫领域中出入控制,财经领域中转账和出纳,信息服务领域中自动信息检索和电子商务等。　　论文主要对说话人识别的一些技术进行了较为系统和全面的研究,重点对基于矢量量化(Vector Quantization,VQ)和隐马尔可夫模型(Hidden Markov Models，HMM)两种方法的说话人识别研究,所做的主要工作包括以下几个方面:　　1.介绍了一种新端点检测算法。传统的端点检测是采用短时能量和短时平均过零率的双门限端点检测方法。论文利用一个新的判决门限:能频值。能频值定义为短时能量和过零率的乘积,利用能频值既顾及了声母的高过零率又顾及了韵母的高能量,从而提高了语音信号与背景噪声的分辨力,适应环境的能力强。　　2.研究并实现了一种改进谱减法的语音去噪新方法。实验表明该方法提高了输出信噪比,改善了语音质量,具有良好的语音去噪效果。同时,详细研究了两种最常用的语音特征参数:线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)、Mel倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)及其差分。　　3.介绍了矢量量化技术,矢量量化的基本原理,LBG算法等,搭建了一个实时说话人识别系统,并采用此方法比较特征参数在说话人识别中的优劣性。　　4.隐马尔科夫模型在说话人识别中的应用,隐马尔科夫与矢量量化两种方法相结合来进行说话人识别实验,并与不同方法,不同特征参数组合相比较,验证了该方法的识别优越性。利用改进GMM模型中EM算法进行说话人识别实验,验证改进后的有效性。