说话人识别作为生物特征量识别技术,在司法鉴定、信息安全、人机智能等领域具有重要意义。本文借鉴传统语音信号分段方法,以符合人耳感知规律原则,研究新型频段划分方法,并从语音信号的非线性入手,运用混沌技术研究语音信号的特征提取,建立语音的混沌特性模型表征信号的空间运动状态。主要研究内容如下:提出基于Mel尺度的小波包分解技术。小波包分解的灵活性可同时满足语音信号对不同时域、频域信息的要求。将符合人耳听觉感知机制的Mel尺度融合到小波包分解中,为语音信号频段划分提供更有效的方法。与传统小波包对比可得,Mel尺度小波包划分的各子带信号时频信息更丰富,凸显了不同语音信号间个性化特征属性。针对语音信号的混沌性判定问题,采用互信息法确定最佳延迟时间,饱和关联维数法选取嵌入维数,并重构语音时间序列的相空间。采用基于Wolf的最大Lyapunov指数法判定语音时间序列的性质,仿真实验表明语音信号具有混沌性。为体现语音特征的总体性,采用分形维数表征语音信号混沌运动的内在结构特点,提出语音信号的盒形维数特征辅助其他特征参数以提升说话人特征的鲁棒性。针对子带语音信号线性相关性及混沌特性,提出基于线性模型和非线性模型的特征参数提取方案。构建基于小波包的时域频域自回归模型,表征低频能量特征。采用Volterra自适应预测技术建立语音混沌时间序列的声学模型,提取Volterra滤波器权矢量参数作为说话人特征,仿真实验表明了该方案预测精度高于线性预测模型。融合时域频域自回归模型和Volterra自适应模型的特征,采用HMM进行说话人识别。仿真实验表明本文提出的特征提取方法有效提高了说话人识别正确率,达到了预期效果。