说话人识别领域的研究在近年来取得了很大进展。自动说话人确认系统(Automatic Speaker Verification,ASV)由于其可靠、方便、低成本等特性,已经在呼叫中心、司法取证、门禁系统等领域投入使用。由于播放、录制语音设备的普及,以及音频处理软件的出现,编辑、修改语音数据变得更加容易,特别是,回放语音攻击不需要任何语音信号处理专业知识,只需要一台可以录音和播放的设备,就可以对ASV系统发起攻击,而且语音来源于目标说话人。在这种情况下,ASV系统的识别结果大大降低,安全性遭受严重威胁。为了增强ASV系统的防回放语音攻击能力,回放语音检测已成为说话人识别领域最新的热门研究方向。本文主要的工作和创新点大致分为三个部分:(1)对于回放语音检测来说,选择适当的特征来反映语音中携带的相关信息是非常重要的。使用高斯混合模型(Gaussian Mixture Model,GMM)作为分类器,通过实验比较了9种特征参数在回放语音检测中的性能表现。该研究比较了静态和动态特征对检测结果的影响和特征泛化能力的表现。实验结果显示,高频特征、动态特征对检测结果的提升是有效的。但是这些特征不能够完全描述回放语音的特点,泛化能力表现较差。(2)为了增强ASV系统的安全性,开发出有效的回放语音检测方法,ASVspoof 2017挑战赛聚焦回放语音检测。将AdaBoost算法用于回放语音检测,来解决分类能力有限的问题。提出一种基于AdaBoost与均值超矢量(Gaussian Supervector,GSV)的回放语音检测方法,该方法采用常量Q倒谱系数(Contant Q Cepstral Coefficients,CQCC)为特征,AdaBoost算法的输入为提取的GSV,利用多个分类器的分类结果来降低错误率。并研究了对于检测结果影响较大的三个因素:关系因子、均值超矢量的维数和弱分类器的数量。ASVspoof 2017挑战赛给出的基线系统在开发集和评估集上的等错误率分别为11.85%和30%。提出的检测方法的等错误率为4.17%和16.81%,分别下降了65%和44%。(3)建立基于I-Vector/PLDA的ASV系统。将本文提出的基于AdaBoost-GSV的回放攻击检测方法放置到I-Vector/PLDA结构的ASV系统的前端。实验结果表明,没有集成回放语音检测方法的ASV系统,在开发集和评估集上的等错误率为13.51%和22.38%;加载本文提出的回放攻击检测方法后,相应的等错误率为9.17%和13.25%,分别下降了32%和41%。