随着信息技术的不断发展，身份验证的快捷性、方便性、经济性显得越来越重要。说话人识别以其独特的优点，在生物识别领域占据着重要的地位。说话人识别的目的是通过对训练语音建立模型，然后将待测试的语音与已建立的模型进行匹配，来完成说话人的辨认或确认，即说话人的归属性。说话人识别技术的关键是语音特征的提取和说话人模型的建立等问题，然而，在历经了一段时间的快速发展之后，说话人识别并没有得到跨越性的发展。本文在研究了当前说话人识别算法的基础上，通过研究说话人特征组合的有效性和信息融合的准确性，实现了基于多特征决策融合的说话人识别系统。本文首先对说话人识别中的一些基本理论进行概述，并介绍和分析了说话人识别常用的一些特征参数。在CASIA和TIMIT语音库中，研究了采用Spearman系数在特征层级上进行的两两特征之间的相关性，通过比较相关系数，选择相关性较小的MFCC和LSP参数作为本文的特征参数组合。此外，本文分别对特征级融合、匹配分数级融合、决策级融合三种融合算法做了详细的介绍，并利用Matlab在两个语音库上分别对不同的特征组合进行三种融合方法的仿真，其中，决策级采用直接融合和D-S证据理论融合两种方法，通过对实验数据的比较和分析，得出采用MFCC&LSP的D-S证据理论决策融合的识别系统是最优的。为了证明该系统的有效性，本文将其与单一的MFCC、LSP参数得到的识别率进行对比，得出识别率至少能提高5%，说明采用相关系数较小的MFCC&LSP参数组合是合理的，同时也证实了本文采用MFCC&LSP的D-S证据理论决策融合系统的识别性能是较好的。