说话人证实技术是语音信号处理领域中的重要研究方向,也是生物认证技术的重要手段。其主要任务是以提取目标说话人的训练语音和测试语音的声学特征为基础,建立说话人模型,通过比较二者达到识别验证目的。提高声学特征鲁棒性,保障系统的识别性能是说话人证实技术的研究重点。针对传统声学特征易受噪声环境影响的问题,本文提出一种基于张量结构的改进的MFCC特征参数提取方法。该方法把不同说话人的对数滤波器组能量构成一个三阶张量,利用加了非负约束条件的张量PCA分析获得投影矩阵,将对数滤波器组能量在DCT变换之前进行投影,从而得到改进的语音特征参数T-MFCC。实验结果表明,与传统MFCC相比,在低信噪比的条件下,T-MFCC并没有像MFCC一样出现明显衰减现象,而是保留了比较清晰的特征信息。并且在同等噪声环境下,相较于其他方法,基于T-MFCC的说话人证实系统具有更低的等错误率。这是由于张量的PCA方法在完成降维和去噪任务的同时,能够更好地保留原始语音数据关于不同说话人之间的内在联系信息。一般的建模方法容易造成有用信息的丢失,而张量结构的模型不仅可以很好地保留不同说话人之间的内在关联,还能挖掘出同一说话人不同语音片段之间隐含的有用信息。因此本文提出一种基于非负张量分解技术的说话人建模方法进行分类识别,对每个说话人利用训练语料提取出的特征建立维度为feature?frame?session的特征张量,利用ALS法对其求取非负张量分解,获得说话人i模型的核张量Gi及其因子矩阵,最后将测试语音的特征投影到因子矩阵对应的子空间,获得投影张量,将其与Gi利用Frobenius范数进行比较,实现识别任务。实验表明,针对说话人识别的任务,与其他传统的建模方法相比,张量结构的说话人模型具有更高的识别准确率。综上,本文的工作内容是通过利用张量结构的数据分析方法,针对噪声环境的特征提取,提出了T-MFCC的鲁棒特征提取方法,并且使用非负张量分解技术进行说话人建模,从而达到提高系统识别准确率的目的。