作为一种生物认证识别技术,说话人识别技术具有远程控制的独特优势,在互联网发展日新月异的今天拥有非常广泛的应用前景。近年来出现的说话人识别主流方法如GMM-SVM, JFA 和 i-vector等都是以GMM-UBM (Gaussian Mixture Model-Universal Background Model,高斯混合-通用背景模型)的识别框架为基础。因此对GMM-UBM的研究仍有很大价值。本文基于GMM-UBM的说话人识别框架,对背景模型建模与得分问题进行了新的探索,并提出了改进系统安全性和性能的方法。本文主要贡献如下：1.对通用背景模型UBM的构建方法进行了新的尝试。我们验证了自包容的UBM的有效性,并在此基础上提出了支撑说话人的概念,即对构建UBM起关键作用的是部分关键说话人。通过PCA降维我们发现,空间分布分散的说话人更有助于组成支撑说话人集合,比随机选择的方式平均识别效果好1%左右；2.针对说话人识别系统的样本复制语音攻击极大限制了说话人识别技术的应用和发展。我们提出了一种基于模型阶数相关的似然得分单调性(Order dependent Likelihood Score Monotonic, OLSM)的样本复制语音检测方法,该方法利用了GMM模型的过拟合现象,可以有效提高GMM-UBM说话人识别系统的安全性。MASC库上该方法对样本复制语音的检测正确率达99.3%。3. GMM token是似然得分最高的高斯分量的索引。作为一种高层次特征,GMM token可以提供很多辅助信息来提高系统性能。传统GMM token中只取得分最高的高斯分量,我们将它扩展为取前N个得分最高的高斯分量,即N-Best token;此外,我们研究了不同GMMtokenizer对改进系统性能上的不同影响。在基于GMM token配比相似度得分校正的说话人识别系统上进行了验证,性能提升效果良好。