本论文主要的研究内容是基于隐马尔可夫模型的说话人识别的改进和应用。说话人识别是根据人的声音来识别人的一种生物认证技术，有非常好的前景。而隐马尔可夫模型则是在说话人识别领域应用最广泛，效果最好的一个模型。 作者从说话人识别的各个角度进行了研究，实现了包括语音采集、特征提取直到产生识别结果的在内的说话人识别系统。在该系统的基础上，做了下列几个方面的改进研究： 1．得分计算方法的改进：语音中有很多的特征能够反应说话人识别的性能，但是所占的比重不一样，传统的说话人识别得分计算同等对待所有特征。引入假设检验原理到说话人识别中，建立反模型，可以消除掉无关因素的影响。本文中讨论了两种反模型的建立方法。考虑到这两种模型可以优势互补，提出了一种结合的方法，改进了性能。 2．训练方法的改进：HMM用密度函数来模拟特征的分布，但是这种模拟和实际情况有一些偏差。另外，基于最大似然准则的说话人识别只用说话人自己的数据来训练，不能有效刻画说话人之间的差异。而基于最小分类错误准则(MCE)的方法能解决上述两个问题。本论文讨论了MCE方法并在闭集说话人系统中实现并做了改进。 3．内嵌语音识别的说话人识别在实际情况下的应用：说话人识别的性能现在还不能满足实际环境的要求，而语音识别的发展已经比较成熟。所以，融合说话人识别和语音识别来进行身份认证是一种能满足实际要求的可行方法。论文讨论了各种融合的思路，并基于离散数字音简单地实现了融合。