语言在当今社会具有不容忽视的地位和作用。语言以文字、声音等方式在人群中进行传播,是人们之间交流、沟通的桥梁。然而跨语种的语言也成为了大部分人交流的障碍。面对世界上那么多的语言,自动语种识别就显得尤为重要。在跨语言通信系统的前端处理、多语种信息服务系统、机器自动翻译等领域,自动语种识别都给人们的信息生活带来了安全保障和便利。因此,自动语种识别成为语音信号处理的关键技术和研究热点。特征提取是语种识别中至关重要的一个环节,也是语音信号处理的一个难点。在复杂环境及噪声环境中选择合适的特征参数能有效地提升语种识别的准确率。目前常用的特征参数有线性倒谱预测系数(LPCC)、Mel频率倒谱系数(MFCC),但这些特征抗噪性能差、且在复杂环境中识别性能较差。本文针对以上问题提出了改进的特征集和基于Gammatone滤波器的语种识别改进算法,在高斯混合模型(GMM)的基础上进行语种识别。首先,针对改进特征集的语种识别需要搭建基于高斯混合通用背景模型(GMM-UBM)的系统框架。该系统主要分为三个模块:特征提取,建立多语种语音信号的特征集,根据音节分割算法分割音节并统计每个音节的长度,并用倒谱法提取基音周期,然后根据MFCC特征参数提取算法提取传统的MFCC特征系数,在MFCC的基础上建立基于MFCC的音节长度的改进特征集和基于MFCC的基音周期的改进特征集;模型训练模块,进行高斯混合模型的训练,基于MLE准则,采用EM算法估计模型参数,得到通用背景模型以及自适应各个语种的声学模型;测试模块,测试部分采用最大似然值得到最终的识别结果。其次,针对基于Gammatone滤波器的语种识别改进算法,也是以GMM-UBM模型的识别系统框架为基础,特征提取模块提出了基于Gammatone滤波器的GTCC特征参数,并在GTCC特征参数的基础上建立基于GTCC的音节长度的改进特征集和基于GTCC的基音周期的改进特征集,然后针对这些特征集进行语种识别测试。紧接着在不同的信噪比环境中将所有特征集进行语种识别,分析比较其识别性能。最后通过编程实现将所有的特征集在GMM-UBM模型的系统里进行语种识别。使用真实广播语音信号测试得出了识别准确率,表明本文提出的方法具有良好的效果。