随着信息化技术的迅速发展,身份认证已成为了越来越多应用场景中不可或缺的一部分。但是网络智能化带来了方便的同时也带来了隐患。声纹识别又称说话人识别,由于其可靠性、安全性,还有经济便捷的特性,成为了发展空间广泛、商业价值重大的研究热点之一。将神经网络应用在声纹识别中能够大幅提高识别准确率,但是由于声纹识别的研究时间较短,所以仍然有很多问题尚未解决:现有的声纹识别大多需要待识别语音的文本内容一致,即文本相关,但是在实际应用中文本无关的识别应用更广泛;声纹识别需要大量的目标说话人语音数据,如果数据较少会使模型训练不充分、准确率下降;在提取说话人模板时通常使用随机选择样本的方法,但是噪声会使随机选择的方式产生误差;除此之外,语速对现有的声纹识别系统准确率有很大影响,但是还没有针对此现象提出的有效方法。本文主要研究基于神经网络的文本无关说话人确认系统,采用梅尔频率倒谱系数(MFCC)作为语音特征参数,搭建基于深度神经网络(DNN)的声纹识别系统作为基线系统。为了解决在目标说话人数据不足时错误率大幅提升的问题,本文对基线系统做出了改进,最终将改进模型的准确率提高了近10%。其次,本文基于迁移学习原理对基线系统的训练方式做出了改进,同时为了解决说话人模板选取随机性引起的误差问题,使用k-means算法来选择说话人模板,降低了由噪声引起的误差。在此基础上,本文探讨了不同帧数作为输入对准确率的影响,并且加入对多条相似度结果投票判断的步骤,进一步提高了准确率。最后,由于同一说话人不同语速的语音在文本无关的说话人识别中很难被识别正确,所以本文实现了深度置信网络和深度神经网络的混合模型(DBN-DNN),将神经网络学习目标从分类改为判断两条语音模板是否是同一说话人,改善了相似度对比容易有误差、改变说话人语速准确率低的现象。本实验在训练时加入生成的不同语速语音,将识别准确率提高了7%以上,提升了模型的鲁棒性。