本文的工作是围绕构建一个文本无关的说话人识别系统展开的。主要研究语音的预处理、特征提取、说话人模型建立以及判决策略。并实现了基于矢量量化(VectorQuantization,VQ)和高斯混合模型(Gaussian Mixture Model,GMM)的说话人识别系统。本文的工作主要有以下几方面:在语音信号预处理方面,对语音信号进行8kHz的采样,16bit量化,然后进行预加重、分帧处理、加汉明窗。在特征提取方面,本文提取了语音信号的线性预测系数(LPC)、线性预测倒谱系数(LPCC)和Mel频率倒谱系数(MFCC),并在GMM系统下比较它们的优劣,实验结果表明:MFCC最优,LPCC次之,LPC最差。在识别模型方面,本文主要介绍VQ模型、隐马尔可夫模型(Hidden Markov Model,HMM)和GMM模型。并对VQ和GMM进行了测试,分别进行了说话人辨认和说话人确认实验。实验结果表明:无论是说话人辨认还是说话人确认,GMM模型的识别性能要优于VQ。针对GMM模型进行着重研究,研究了高斯混合模型的阶数对系统识别率的影响,分析了阶数过大或过小对系统的负面影响,并结合实际情况进行了选择;提出在EM算法的迭代过程中设置协方差阈值,并对不同阈值条件下的识别率进行实验对比,证明了将协方差阈值设置为0.1的普遍性和可行性;针对一般初始化参数方法提出了分裂法和k均值聚类相结合的方法,实验证明改进后的方法能有效提高识别率。最后对本文工作进行了总结,同时对未来的研究工作进行了展望。