声纹（Voiceprint）一词的概念最早是由指纹（Fingerprint）的概念衍生而来的。广义的讲,所有可以将一个人的声音,与其他人的声音区分开来的特征,都称之为“声纹”。声纹识别（Voiceprint Recognition）是一种根据说话人的音频来辨别确认说话人身份的技术,是一种较为新型、实用、发展空间大的人工智能技术。基于神经网络的声纹识别通常由音频预处理与特征提取、模型提取声纹特征、预测打分这三部分组成,音频进行特征提取后以张量的形式放入网络模型中训练,训练出声纹特征提取网络,声纹特征会用于预测打分。综上所述本文针对与文本无关的基于残差网络与注意力机制的声纹识别系统展开了研究,主要研究内容如下:第一,对声纹识别系统中提取声纹特征所用的残差网络resnet18与resnet34进行介绍,并对声纹特征向量维度对训练声纹识别模型准确度的影响展开研究,发现1024维的声纹特征训练出的声纹识别模型在测试集的效果最好。第二,对声纹识别模型展开研究,在网络中加入通道注意力机制,将残差网络与注意力机制融合,用含有SENet（Squeeze and Excitation Networks）的新残差块组成特征提取网络,对含有声纹特征信息更多的通道赋予更多权重,对无用的特征通道降低其影响,进而强化关键信息。通过实验证明新网络模型拥有更高的准确率。增大训练集的大小,通过实验发现训练出来的模型识别准确度有明显提升。第三,在Pytorch上基于上述提出的含有通道注意力机制的resnet34模型开发了简易的声纹识别系统,该系统拥有声纹注册、声纹确认、声纹辨认三个功能,并且对实际应用效果进行了测试,绘制测试结果的混淆矩阵,通过测试结果验证了声纹识别模型的准确度与声纹识别系统的有效性。本研究在zhvoice中文语音语料库上的8个开源数据集上进行模型训练与测试,数据集总共有900小时的音频,1 13万条文本。实验从模型结构和数据集的大小两个方向进行研究。分别使用resnet18和resnet34模型,改变用于训练模型所提取出的特征维度,256维效果最差,1024维效果最好。在残差网络中融合注意力机制后,Resnet18网络模型的准确度提升了 2.8%,renset34模型的准确度提升了 0.9%。在测试集不变的情况下使用更大的训练集进行训练,测试集的准确度提升了 3.1%。