说话人识别是根据说话人的语音特征进行身份识别的生物认证技术,具有便捷性、安全性和准确性等优势,目前被广泛应用于国防、金融和公共安全等领域。说话人识别主要由语音特征提取、模式匹配识别两部分组成,其中语音特征提取是整个说话人识别系统的核心,所提取的特征能否充分反映说话人的身份信息将直接关系着整个系统的性能。本文基于语音线性预测分析（Linear Prediction Coding,LPC）生成的残差信号进行语音特征提取,并且结合由长短时记忆（Long Short-Term Memory,LSTM）循环神经网络构建的文本无关的说话人识别系统进行特征性能测试,以探寻能充分表征说话人身份信息的语音特征。论文提出基于LPC残差信号进行特征提取。线性预测系数能够表征人的声道信息,是目前说话人识别任务中常用的特征,其附生的LPC残差信号却往往被忽略。本文通过对LPC残差信号时频域进行分析研究,发现残差信号中含有能体现说话人身份的信息。论文设计了基于残差信号的特征提取算法,主要由预处理和特征参数提取两部分组成,并基于残差信号提取了目前说话人识别领域中的主流特征参数,包括线性预测系数、线性预测倒谱系数（Linear Prediction Cepstral Coefficient,LPCC）和梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient,MFCC）;此外,为了描述残差信号的分布特征,本文还提取了残差信号的二阶矩和三阶矩。LSTM网络能够学习上下文中长期依赖的信息特征,更好地反映语音短时特征的长时变化,因此本文构建了基于LSTM网络的说话人识别系统以测试提取特征的性能,采用端到端的损失函数进行网络训练,此种训练方式提高了训练速度、降低了模型的复杂度。论文设计了多组对比实验以对基于残差信号提取的特征进行性能分析,首先测试了基于说话人原始语音信号提取的15维LPC特征识别率,并在LPC特征的基础上增加2维基于LPC残差信号提取的二阶矩和三阶矩生成组合特征,组合特征的平均识别率相比于15维LPC特征提升了大约5%,验证了LPC残差信号中确实含有能表征说话人身份的残留信息。另外,本文还直接基于LPC残差信号进行特征提取和特征组合,与基于原始语音信号提取的特征作比较;结果显示,基于LPC残差信号提取的组合特征（13维MFCC组合2维二阶矩和三阶矩）平均识别率达到94.083%,比直接基于原始语音信号提取的MFCC特征平均识别率高;在基于原始语音信号提取的MFCC特征上增加两维LPC残差信号的二阶矩和三阶矩,识别系统的平均识别率提高1%左右。因此,本文认为LPC残差信号中包含说话人的语音特征信息,不仅可以直接基于LPC残差信号进行特征提取,还能将从中提取的特征作为目前主流特征参数的补充,为基于LPC的特征提取提供了新的思路。