说话人识别就是能够让机器分辨出不同人的声音来,主要是以语音信号为研究对象,它由特征提取和模式识别两大部分组成;其中,如何高效地找到区别不同说话人之间的个性特征一直以来是需要攻克的难点。在没有噪声干扰条件下的说话人识别系统的正确率能够达到百分之九十五以上;但是在有噪声的影响下,系统识别的正确率就会受到很大的影响,如何提高有噪声干扰环境下的说话人识别的正确率也是一个重要的研究方向。本文是以Kaldi语音识别工具为平台进行的仿真实验,Kaldi由前微软公司研究院的Dan Povey博士与捷克的BUT大学联合开发的,用C++编写而成的一个开源工具包,便于根据不同的实验目的进行修改和扩展。论文先从介绍说话人识别的基本知识入手,接着又全面地介绍了传统说话人识别算法,以及目前主流的说话人识别技术i-vector,并且结合Kaldi语音识别工具对说话人识别系统的训练参数进行了优化。针对带噪条件下说话人识别率低的情况,本文采用深度学习领域的降噪自编码器和i-vector相结合的方法来提高识别率。我们知道噪声与语音信号之间有着相当复杂的关系,但在日常生活中声音主要受到加性噪声的影响,因此本文重点研究了高斯白噪声对系统稳定性的影响,先后设置了信噪比为0分贝、5分贝、10分贝、15分贝、20分贝的带噪语音信号,用降噪自编码器对信号中的噪声进行抑制,保留说话人的个性特征,进而提高i-vector的稳健说话人识别系统的性能。实验结果表明,特别是在低信噪比条件下系统的识别率较低,但在去噪后i-vector的识别率明显得到提升。