1、語種識(shí)別(Language Recognition，LR)作為語音信號(hào)處理領(lǐng)域中的一個(gè)重要研究分支，具體是指利用計(jì)算機(jī)對任意給定時(shí)長的語音片段進(jìn)行一定的分析和處理，從而自動(dòng)判別出未知語音片段所屬語言類別的過程。
　　近二十年來語種識(shí)別才真正意義上成為研究的熱點(diǎn)，理論算法研究的逐漸成熟也逐步平穩(wěn)地推進(jìn)著語種識(shí)別技術(shù)向?qū)嶋H應(yīng)用方面的轉(zhuǎn)變?；谌町惪臻g(Total Variability, TV)建模獲取語音段i-vector表示的方

2、法因其理論發(fā)展的成熟和性能的突出已被研究者們普遍應(yīng)用在自己的語種識(shí)別系統(tǒng)中。本論文旨在獲得能夠有效描述語種信息的i-vector后，嘗試解決后續(xù)語種識(shí)別方法存在的實(shí)際問題，從而找到適用于不同語種、不同測試樣本的性能更加優(yōu)異的語種識(shí)別方法，主要工作及成果如下:
　　1.研究了基于DBN-UBM-DBF系統(tǒng)TV建模。首先在介紹了經(jīng)典TV建模的基礎(chǔ)上，對DBN-UBM-DBF(Deep Bottleneck Network-Univer

3、sal BackgroundModel-Deep Bottleneck Features)系統(tǒng)中利用同一深度瓶頸網(wǎng)絡(luò)(Deep BottleneckNetwork，DBN)的不同層的輸出信息提取語音段i-vector的完整過程進(jìn)行了詳細(xì)論述，然后對提取到的i-vector的特征域噪聲補(bǔ)償方法進(jìn)行了闡述和分析，最后在實(shí)驗(yàn)中給出基線系統(tǒng)的默認(rèn)配置并對基線系統(tǒng)的性能進(jìn)行測試實(shí)驗(yàn)，為后續(xù)的研究提供統(tǒng)一的性能比較基準(zhǔn)。
　　2.系統(tǒng)地分析比

4、較了目前在i-vector空間下的多種主流后端語種識(shí)別方法。首先對現(xiàn)有算法做了歸納和分類，詳細(xì)介紹了每種方法在語種識(shí)別任務(wù)中的應(yīng)用，然后在開發(fā)集上實(shí)驗(yàn)分析確定所需要配置的參數(shù)和相關(guān)實(shí)現(xiàn)細(xì)節(jié)，并利用不同性能指標(biāo)下進(jìn)行在測試集上的性能測試，最后分析比較各種方法在不同測試時(shí)長條件下的性能表現(xiàn)差異，并進(jìn)一步總結(jié)方法之間的優(yōu)劣性，為后續(xù)的改進(jìn)工作提供了清晰的思路。
　　3.提出了基于語種類內(nèi)方差先驗(yàn)的加權(quán)余弦距離得分計(jì)算(CosineDis

5、tance Score，CDS)改進(jìn)算法。首先針對基線方法CDS性能提升存在瓶頸的實(shí)際問題，提出引入語種數(shù)據(jù)i-vector語種類內(nèi)方差這種先驗(yàn)知識(shí)，然后為了減少由于i-vector不同特征維度對識(shí)別性能重要性存在顯著差異帶來的識(shí)別錯(cuò)誤，進(jìn)一步對語種類內(nèi)方差進(jìn)行加權(quán)處理，最后通過實(shí)驗(yàn)對改進(jìn)算法進(jìn)行性能測試并與基線方法作對比。
　　4.提出了基于局部距離離群因子(LDOF, local distance-based outlier