从语音信号中有效地提取个人特征信息进行说话人身份的识别，是语音识别研究领域的一个重要研究方向。在身份验证、信息检索等领域，自动说话人识别都具有广泛的应用前景，其研究具有越来越重要的社会意义和实用价值。 一个人的语音受时间、环境、身体状况以及说话内容等条件的影响变化比较大，如何提取表征说话人个性的特征是说话人识别中的一个难点。常规的特征参数构造基本都是基于短时傅立叶变换，它是在短时平稳假定的基础上获取时频局部化信息，具有固有的时频分辨率，对于语音信号这种非平稳信号，存在很大的缺陷。而小波分析是传统傅立叶变换的继承和发展，是一种信号的时间-尺度(时间-频率)分析方法，具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力，是一种时间窗和频率窗都可以改变的时频局部化分析方法。本论文详细研究了小波分析的知识，将其应用到说话人识别的特征参数提取中，并通过实验分析其性能。论文主要工作如下： 首先，研究了说话人识别的相关知识，主要包括常用的语音特征参数及说话人识别模型。其中重点介绍了LPC、LPCC及MFCC参数和本文所采用的识别模型(GMM模型)。 其次，分析语音特征参数的提取过程，通过具体实验分析了常用特征参数LPC、LPCC和MFCC在不同信噪比环境下的性能。并对主流特征进行二次处理，包括特征差分和特征组合，进一步剥离出隐藏在语音背后的说话人特征，分析其性能。 再次，研究了小波分析的原理，主要介绍了小波变换和小波包变换的知识等，并分析了其在说话人识别中的应用前景和优势。 最后，在充分比较小波变换和小波包变换的基础上，本论文选择基于小波包变换和LPCC参数进行特征提取，以提取出更多的说话人的动态信息，并进行实验分析其性能。