说话人识别也被称为声纹识别,是指利用人的特有的声音特性来判别说话人的身份,它作为有效的生物识别技术之一,被应用于实际生活中的众多领域。本文主要研究基于深度学习的说话人识别方法,分别从说话人模型的建立和特征提取两个方面对说话人识别系统进行了研究。论文主要工作如下:1.研究了基于CNN-TDNN混合模型的说话人识别方法。首先利用卷积神经网络（Convolutional Neural Network,CNN）学习语音的对数梅尔滤波器组特征（Log-mel Filter Bank,FBank）的局部空间特征。然后利用时延神经网络（Time-Delay Neural Networks,TDNN）对语音信号中的动态时域变化建模,从而捕获语音信号长时依赖关系,获取说话人发音习惯特性。最后利用Softmax函数将神经网络输出值映射至概率空间,根据输出概率大小识别说话人身份。实验结果表明,基于CNN-TDNN混合模型的说话人识别系统识别性能优于基于单一的TDNN的X-vector说话人识别系统。2.研究了基于自适应特征映射的鲁棒性说话人识别方法。针对实际采集的语音常带有不同强度噪声的问题,提出利用多个尺度的高斯滤波器平滑语谱图的噪声,得到多尺度的高斯滤波语谱图（Gaussian Filter Spectrums,GFSs）。然后利用分组卷积实现多个尺度的GFSs的分别卷积,再将得到的所有特征图相同位置的特征点映射到最大特征空间。最后利用网络权值的实时更新,自适应抑制带有不同强度噪声的语谱图中的噪声,从而使网络能提取鲁棒性更强的说话人特征。实验结果显示,自适应特征映射有效地提高了说话人识别系统的准确性及鲁棒性。