1、說話人識別系統(tǒng)在噪聲環(huán)境下的魯棒性是關系到說話人識別能否走向完全實用化的關鍵,也是當前說話人識別技術研究的熱點和難點。噪聲魯棒性問題的根源為說話人識別訓練和測試環(huán)境之間的不匹配,而抗噪聲說話人識別的目的就是減小不匹配對識別系統(tǒng)造成的負面影響,在噪聲環(huán)境下達到很好的識別性能?，F(xiàn)有的抗噪聲說話人識別技術可以簡單的歸為基于信號空間的語音增強、基于特征空間的魯棒性特征參數(shù)提取及基于模型空間的模型補償三類。本文主要針對加性噪聲的影響,在信號空間和

2、特征空間對問題進行了深入的研究和探討,提出了幾種新的抗噪聲說話人識別技術。
　　 首先,研究了基于信號空間的抗噪聲說話人識別技術——語音增強。語音增強技術一般都作為預處理模塊存在于說話人識別系統(tǒng)中,盡可能的將純凈語音送入識別系統(tǒng)輸入端,因此,無需改變現(xiàn)有的識別系統(tǒng)就能增強其魯棒性?，F(xiàn)有的基于離散余弦變換的語音增強算法無法解決語音信息丟失與消除信號中的噪聲二者之間的矛盾,而本文提出的模擬人耳聽覺選擇性的基于離散余弦變換的動態(tài)閾值語

3、音增強算法很好的解決了這一問題,實現(xiàn)了低信噪比下語音增強的目的,并且增強后的語音在時域和頻域上失真度小,非常適用于抗噪聲說話人識別系統(tǒng)的前端處理器。
　　 其次,研究了基于特征空間的抗噪聲說話人識別技術——具有魯棒性的特征參數(shù)提取。在實際應用中,這是說話人識別中最至關重要的一種技術,其目的是從帶噪語音信號中抽取簡潔、有突出代表性的相關特征參數(shù)用于判別分析。本文以MFCC為基礎,提出了兩種改進策略:1、根據(jù)語音信號的特性,應用DC

4、T提取刻畫說話人聲源特性的譜特征參數(shù)SSC、SBE等,與MFCC組成混合特征參數(shù);2、根據(jù)不同的信噪比及噪聲背景下,噪聲對語音信號的干擾各不相同,從而應用Fisher準則對聲道特征參數(shù)MFCC進行降維。
　　 最后,研究了支持向量機中核函數(shù)對分類性能的影響。核函數(shù)是支持向量機模型的核心機制,函數(shù)類型的選擇和參數(shù)的確定對于分類的準確度至關重要。論文闡述了核函數(shù)的基本理論,對目前常用的多項式核函數(shù)和徑向基核函數(shù)進行了仿真和分析,測試