说话人识别技术是根据语音信号特征来自动识别说话人的身份。作为一种生物认证技术，与其他技术相比它更方便、经济、安全，被广泛用于网络、国防、安全等领域中。因此，对说话人识别技术的研究具有普遍的实用价值和重要意义。在本文的开头对说话人识别进行了概述，对其基本原理和识别系统结构以及实现过程做了简单介绍。首先，分析了说话人识别系统常用的两种主流特征参数，即LPCC和MFCC。其次，对本文研究内容所要用到的理论背景知识——聚类分析和神经网络集成做了充分详细的介绍。接下来，针对传统k-means算法用于语音信号矢量聚类方面的缺陷,提出了基于方差的加权几何距离对传统k-means算法进行改进，对特征矢量的各分量按方差大小加权，加权因子是矢量方差的倒数。将改进的算法与BP_Adaboost集成模型结合后，把二者应用到说话人识别系统中。最后在Matlab软件上进行了仿真实验。首先，对语音信号进行了预处理等一系列处理。因为梅尔倒频谱系在反映人耳的听觉特性上更具优势。所以在特征参数的选择方面，我们选择了梅尔倒频谱系数作为特征参数，使其作为系统模型训练和识别的输入向量，对模型训练和学习。最后，将基于本文方法的说话人识别系统分别和基于单BP神经网络模型以及基于BP_Adaboost集成模型的说话人识别系统进行实验对比，以此来验证本文方法的有效性。