语音是最直接、最自然的人机交互方式之一,说话人识别正是一种依据人的语音信息区分说话人,从而实现身份认证的的生物特征识别技术。深度学习具有强大的特征抽象和数据建模能力,目前已经在图像分类、机器翻译等领域获得了巨大的成功。本文以提升说话人识别系统整体性能为目的,对说话人识别技术中的关键算法进行研究。在此过程中,选用目前最主流的梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)作为特征参数,结合深度学习理论,从基于高斯混合模型(Gaussian Mixture Model,GMM)的传统说话人识别、基于深度学习的分类式说话人识别、基于深层特征的编码式说话人识别三个方面展开讨论。GMM为目前应用最广泛的传统说话人识别算法,本文研究并实现了一个基于GMM的说话人识别系统。分别利用本实验室语音库与Aishell语音库对该系统性能进行验证,并在Aishell语音库上探究了其识别率随训练样本数、待识别说话人数量以及噪声环境的变化情况。由于GMM对非线性数据的建模能力存在缺陷,本文使用深度学习模型代替GMM建立说话人模型。分别采用卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)两种网络结构设计了分类式说话人识别算法,并使用Dropout与批规范化机制防止训练过程中的过拟合问题,从而提高网络的泛化能力。通过与GMM系统综合对比后发现,CNN针对少量训练样本和大量待识别说话人的情况表现最佳,而LSTM则具有更好的噪声鲁棒性。据此,本文提出了一种得分融合说话人识别算法,该算法将测试数据并行地输入训练好的两种识别网络,对各网络得分归一化处理之后进行算术平均,从而得到最终的识别结果。实验证明,得分融合说话人识别算法在各种测试条件下都明显具有最好的识别性能。为了解决实际应用中待识别说话人数量不确定以及目标说话人语料不足的问题,本文选用x-vector框架实现了基于深层特征的编码式说话人识别算法,将训练好的神经网络作为特征向量编码器,实现MFCC到身份编码向量的转换。原始的x-vector框架通过平均池化的方式进行数据汇集,对于每一帧赋予相同的重要性,这种计算方式并不合理。本文将注意力机制的思想应用于统计池化层对其进行改进,计算加权均值与标准差,取得了更好的实验结果。标准的Softmax loss通常擅长优化类间差异,但不擅长减少类内差异。本文引入了三种新型损失函数来解决上述问题,并通过实验探究了它们的超参数取值对算法性能的影响,用以指导未来研究工作中参数的取值。实验结果表明三种新型损失函数的判别效果相对于标准的Softmax loss均有较大提升,并且其中AMSoftmax loss与Arc Softmax loss的性能略优于ASoftmax loss。