在当今社会,入室盗窃、冒名替考等违法行为还时有发生,这暴露出了一个严重的问题,即传统的身份认证方式极易被不法分子攻击,导致信息泄露,带来巨大安全隐患。随着大数据时代的到来以及物联网技术的飞速发展,身份认证的手段越来越多,认证方式也越来越安全。声纹作为个体独特的生物特征,满足当下身份认证对可靠性和特有性的需求,声纹识别技术应运而生,其支持远程认证且具备更强的便捷性、安全性,具有广泛的应用前景。虽然目前研究人员一直对声纹识别技术进行研究,但算法的准确率仍未达到一个令大众完全放心的水平,亟需进一步提升。因此,本文关注于文本无关的声纹识别,设计并改进了识别系统中音频预处理和用于构建识别系统的神经网络模型部分,并引入了多个含有声纹信息的特征,提升了声纹识别系统的识别性能。论文首先对数据集中的音频数据进行预处理,主要包括:分帧、语音活动性检测以及加窗。并基于所提取的特征对音频的预处理阶段进行针对性的改进,在研究了音频的清音段在使用线性预测系数（Linear Prediction Coefficient,LPC）复原音频时产生较大预测误差的问题后,将音频中的清音段通过比较短时过零率的方法进行检测并消除,减少了对于特征提取来说无用音频帧的数量,使其更适用于进行声纹识别。在对音频进行预处理操作后,论文基于人类的声音由产生到人耳接收的流程,对音频进行特征提取。提取了音频的LPC特征,该特征可以对人类声道进行建模;以及提取了Log梅尔谱（Log-Mel）系数,该特征对人耳听觉感知能力进行建模。并对LPC特征进行其二阶差分的提取,以获得LPC的变化特征,使其拥有更好的动态特性。最终经过多次特征融合,得到最适合于声纹识别的声纹特征。在充分研究了传统算法与深度学习算法在声纹识别任务上的优劣后,论文选择使用长短时记忆神经网络（Long Short-Term Memory Networks,LSTM）作为本文声纹识别的基础框架,并将其优化为双向LSTM神经网络。通过比较不同隐藏层的数量下神经网络训练100000轮后的softmax损失函数数值,最终选择使用两层双向LSTM神经网络作为最终所使用的神经网络。针对相似度向量使训练速度慢且算法灵活性差的问题,将相似度向量优化为相似矩阵,从而解决了上述问题并使声纹识别准确率有了进一步的提升。本文使用的数据集为VCTK英文语料库,该语料库包含109位说话人,每人300-400个5-10秒、采样率为48 k Hz的音频文件。将其中的89位说话人的音频文件用于训练,20位用于验证与测试。在录入说话人占比为20%时,经过100000组的测试,得到声纹识别的平均准确率为96.985%的实验结果。