1、說(shuō)話人識(shí)別，也被稱為聲紋識(shí)別，是從說(shuō)話人語(yǔ)音中提取特征參數(shù)，利用這些特征參數(shù)建立模型，然后使用某種識(shí)別算法進(jìn)行識(shí)別的一種身份鑒別和認(rèn)證技術(shù)。隨著互聯(lián)網(wǎng)的快速發(fā)展以及人們對(duì)高效、便捷生活方式的不斷追求，人們經(jīng)常使用電子商務(wù)、電子金融、呼叫查詢等自助服務(wù)。因此，在開(kāi)展這些業(yè)務(wù)之前對(duì)個(gè)人的身份進(jìn)行認(rèn)證是保證數(shù)據(jù)傳輸安全以及不遭受黑客的侵襲而導(dǎo)致信息丟失的基礎(chǔ)。對(duì)個(gè)人身份進(jìn)行說(shuō)話人識(shí)別，尤其是與文本無(wú)關(guān)的說(shuō)話人識(shí)別的研究也將具有重要的實(shí)踐價(jià)值而

2、被大眾越來(lái)越多的關(guān)注。
　　說(shuō)話人識(shí)別技術(shù)雖然已經(jīng)有了長(zhǎng)時(shí)間的發(fā)展與進(jìn)步，也取得了許多驕人的成績(jī)，但仍有很多的問(wèn)題有待我們解決。尤其是在平常的應(yīng)用中，由于受到噪聲的影響，從而削弱其性能。本文提出一種將支持向量機(jī)作為識(shí)別模型的聲紋識(shí)別系統(tǒng)，從識(shí)別系統(tǒng)的整體框架入手，改進(jìn)了聲紋系統(tǒng)中端點(diǎn)檢測(cè)、特征參數(shù)提取以及建立識(shí)別模型等環(huán)節(jié)。主要內(nèi)容如下：
　　首先，針對(duì)噪聲環(huán)境下，識(shí)別精度會(huì)有所降低的問(wèn)題，本文的端點(diǎn)檢測(cè)方法是將過(guò)零率與加權(quán)

3、改進(jìn)的譜熵法相結(jié)合的門(mén)限法，加權(quán)譜熵即先計(jì)算出每幀信號(hào)的譜熵值，并進(jìn)行加權(quán)處理，使語(yǔ)音信號(hào)的動(dòng)態(tài)特性更為明顯的表現(xiàn)出來(lái)，然后將該方法與傳統(tǒng)的雙門(mén)限法與譜熵法進(jìn)行不同環(huán)境下的對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了這種改進(jìn)的雙門(mén)限法在性能與實(shí)用性上都得到了提高。
　　其次，因?yàn)镸FCC、 MFCC與WMFCC各自從不同的角度描述了語(yǔ)音信號(hào)的特征，所以在特征提取階段，利用增減分量法計(jì)算出這三類參數(shù)各自分量的貢獻(xiàn)，選取它們貢獻(xiàn)最大的分量混合，然后用HH

4、T算法計(jì)算出語(yǔ)音信號(hào)各IMF分量的瞬時(shí)頻率HHT-IF與以上混合參數(shù)再次融合，最后得到一種新型特征參數(shù)。該參數(shù)克服了傳統(tǒng)特征參數(shù)的一些不足。
　　再次，本文說(shuō)話人識(shí)別模型選用SVM模型，首先介紹了SVM的基本原理，并對(duì)算法中核函數(shù)的選取進(jìn)行了實(shí)驗(yàn)對(duì)比，結(jié)果表明，本文實(shí)驗(yàn)中選擇了徑向基函數(shù)效果最好。然后將本文提出的端點(diǎn)檢測(cè)與特征參數(shù)對(duì)整個(gè)系統(tǒng)進(jìn)行改進(jìn)并進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)表明識(shí)別率與魯棒性都有所改善。
　　最后，對(duì)本文的所有工作進(jìn)行