近年来,深度学习技术在自然语言处理和语音识别等领域取得了显著成果,尤其是wav2vec2模型,这种新型的深度神经网络模型利用大量无标签语音数据进行有效学习。然而,目前对wav2vec2模型的研究主要集中在应用层面,而对于模型本身的理解相对较少。传统模型结构在工程应用中仍占据主导地位,原因是基于人工神经网络的模型相较于传统模型缺乏可解释性。为了提高wav2vec2模型在具体应用的性能和适应性,本文深入研究wav2vec2模型及其提取的特征,并进行了特征融合实验。首先,对wav2vec2模型的结构、原理及特征提取过程进行了系统性分析,揭示其内在工作机制。基于此,我们对模型提取的语音特征进行了深入研究,包括不同层特征之间的相关性,以及不同信息（如语言、说话人、语种等）在特征中的分布情况。为了进一步提高wav2vec2模型的性能,我们根据不同信息在特征中的分布规律,提出了一种基于信息分布的加权特征融合方案。实验涵盖了多个应用场景,如语音识别、说话人识别等。在这些实验中,我们使用了不同层次的wav2vec2特征,以及传统的MFCC特征作为对比。实验结果揭示了基于信息分布的加权特征融合方案在多数场景中相较于传统系统具有显著的优势,进一步证实了所提出方法的有效性和优越性。该特征融合方案在一定程度上解决了不同特征之间的相互干扰问题,同时通过利用信息分布生成的权重矩阵,根据不同的下游任务,能更好地从各层特征中提取关键信息。在语音识别和说话人识别实验中,加权特征融合方案在大约10层时实现了最佳识别效果。总之,本研究提出的基于信息分布的加权特征融合方案在提升特征融合效果方面表现出了巨大潜力,对语音识别和说话人识别任务具有重要的应用价值。在后续研究中,可以进一步优化该融合方案以提高性能,并在其他下游任务中验证其泛化能力。