说话人识别是一种通过声音进行身份认证的技术,该技术在国家安全和商业中有重要的应用价值,因此对其进行深入研究与实现具有极其深远的意义。在理想的实验条件下,可以控制语音的采集环境和传输信道,使语音数据拥有较高的信噪比和匹配的信道条件,从而保持说话人识别系统较高的性能。但是在现实场景中,语音采集过程容易混入环境噪声,并受到不同程度的信道干扰,系统的识别性能难以保证。因此,如何削弱环境噪声和信道干扰等因素的消极作用,提高说话人识别系统在复杂环境下的鲁棒性,是当前该领域的重要研究目标之一。目前,针对说话人识别系统鲁棒性的研究主要从特征域、模型域和得分域三个方面开展。在特征域,重点研究目标是从语音中获取代表说话人、兼具可分性和抗噪性的特征参数。在模型域,重点研究目标是训练出稳健的说话人匹配模型,并通过信道补偿方法解决注册模型和测试语音的信道失配问题。在得分域,重点研究得分分布问题,通过得分规整使匹配得分尽可能少的受到环境噪声和信道干扰等因素影响。以上针对说话人识别系统的多域研究已取得较多进展,但是现有的许多算法依然存在局限性,面对复杂的应用环境,有必要弥补当前算法的不足,进一步提高说话人识别系统的鲁棒性。本文主要从特征域和得分域着手,针对说话人识别中的鲁棒性算法展开研究,主要工作和创新点如下:（1）分别构建了基于GMM-UBM、GMM-SVM和IVector-PLDA模型的说话人识别系统,在此基础上进行了针对特征域和得分域的研究。（2）在特征域,本文重点研究了噪声环境下相对鲁棒的幂律归一化倒谱系数（Power-Normalized Cepstral Coefficients,PNCC）,并对PNCC原有的算法做了改进,加入动态差分参数,在特征后端利用倒谱均值减（Cepstral Mean Subtraction,CMS）和倒谱方差规整（Cepstral Variance Normalization,CVN）方法进行补偿。在噪声环境下,改进的PNCC比MFCC和原PNCC有更好的性能。（3）在得分域,研究了目前已有的得分规整方法,并针对其局限性,提出了一种基于对数似然值归一化（Log-likelihood Normalization,LLN）的得分规整算法,能够有效扩大目标说话人和非目标说话人得分的差距,有利于提升在统一阈值下系统的判决性能,并且不需要使用预先的开发集,可以在系统后端进行,对多种系统具有良好的普适性。（4）将MFCC、改进的PNCC特征和GMM-SVM、IVector-PLDA模型组成的多系统得分进行了融合,并应用LLN得分规整,有效利用了表征说话人的信息,实现了多域中优势的融合。实验表明,多系统得分融合比单一的说话人识别系统性能更好,加入LLN方法后,多系统得分融合的性能得到进一步提升。