作为一种生物认证技术，说话人识别依靠着低成本、高安全性以及方便性等独特的优势，越来越受到研究人员的青睐，而在所有的与说话人识别相关的算法中，支持向量机算法由于其适合解决小样本分类问题的特性，成为炙手可热的研究对象之一。本文针对支持向量机训练数据不能过大的问题，研究了基于主成分分析（PCA）的特征维数约简算法，该算法能够在尽可能小地影响系统识别率的条件下尽量减少训练样本的数目，提高支持向量机的效率。另外，本文还针对现有的支持向量机参数优化算法寻优时间过长的问题提出了一种改进算法，在保证系统识别率的前提下大幅度的缩减了参数优化的时间。本文首先分析了说话人识别的系统结构，并根据系统结构中的各个模块的功能将系统分为特征提取和模型匹配两大部分进行研究。特征提取部分主要针对特征维数的约简进行研究，在理论分析PCA在特征维数约简方面的性能优势后，通过仿真分析来验证该算法的有效性。模型匹配部分主要针对支持向量机参数优化的算法进行研究，详细讨论现有的参数优化算法的基本原理并分别对每种算法进行性能测试，分析其参数寻优效果。最后，针对现有算法在实时性方面的问题提出改进的参数优化算法，并在此基础上提出本文所采用的基于支持向量机参数优化的说话人识别系统，通过仿真分析，证明系统的有效性。本文通过主成分分析的方式缩减了特征的维数，降低了系统的复杂度。又通过理论和仿真两方面分析了传统支持向量机参数优化算法的性能，并在此基础上提出了一种改进算法，解决了支持向量机参数优化时间过长的问题。最后对基于这两种算法的说话人识别系统进行了仿真分析，验证了系统的性能。