说话人确认是判断给定的语音信号是否来自指定说话人的一项技术,在各种场合的用户身份认证中均有重要的应用价值。说话人确认技术在纯净语音条件下已经取得了令人满意的效果。但是,在实际应用中,系统的性能还会受到其它条件的影响,其中噪声干扰影响最大。为缓解噪声干扰问题,本研究在说话人确认中结合了语音分离任务。本文提出一种基于DNN的语音分离和说话人确认联合训练的框架,该框架将语音分离部分产生的对噪声具有鲁棒性的特征应用在说话人确认网络,能够显著提高说话人确认的准确率。具体来说,提出的联合训练框架包括两个部分:基于卷积循环网络的语音分离模块和深度残差网络结构的端到端说话人确认模块。语音分离模块的中间层——循环网络的输出经过注意力机制后作为鲁棒性特征与原始混合语音特征拼接,作为说话人确认模块的输入。实验结果表明,该方法的抗噪性能远优于传统方法。在此基础上,考虑到循环网络刻画时间相关性的能力随着序列长度的增加而减弱。本研究提出对不同长度的输入序列,使用注意力机制形成表示向量。每一帧输出一个向量,该向量包含了之前所有帧的信息,使最终的特征序列包含有更多的说话人信息。实验表明,包含注意力机制的联合训练框架在多种情况下的性能相比多个基线系统均有显著的提升。