在中国,每年有数以万计的人确诊听觉障碍,助听器可以有效地帮助康复治疗。大多数助听器放大有效声音的同时,也会放大环境噪声,影响体验。通过采集听者脑电信号,使用听觉注意力检测方法获取听者关注的声音并进行放大,是提升患者体验的有效手段,但是该方法通常要求听者高度集中注意力而难以推广应用。为解决该问题,本文试图通过听者脑电信号识别说话人身份,以此降低对听者要求。目前关于听者脑电信号的说话人身份识别研究非常少,对于说话人差异性的特征表征、关键频段、关键脑区和影响说话人身份识别性能的其他因素没有明确的结论。因此,本文针对声音诱发脑电信号的说话人身份识别,开展实验范式、特征提取及分类方法的研究,具体工作如下:（1）针对声音诱发脑电信号的说话人身份识别实验范式的空白,本文创新性地提出了无噪声和有噪声环境两种实验范式。在无噪音环境下声音诱发脑电信号的说话人身份识别实验范式中,使用Neuroscan记录说话人音频刺激下被试的脑电信号。在噪音环境下声音诱发脑电信号的说话人身份识别实验范式中,将说话人音频分别与流水声噪音音频和人声噪音音频文件融合成双轨音频文件,记录双轨音频刺激下被试的脑电信号。（2）针对声音诱发脑电信号的说话人身份识别研究中特征表征、关键频段和关键脑区等不明确的问题,本文通过特征选择和多特征融合,使用孪生神经网络对无噪音环境下说话人身份识别展开研究,并分析了影响说话人身份识别性能的其他因素。结果表明,融合时域特征和时频特征相比于使用单特征性能提高了5%-7%;Delta和High Gamma频段说话人身份识别二分类平均准确率达到70%左右,这两个频段包含最多的说话人身份信息;顶叶和额叶是活跃程度最高的两个脑区,分类贡献率最大。另外发现说话人性别、听者的注意力程度和听者对说话人熟悉程度能够显著性地影响说话人身份识别准确率。（3）针对真实环境中噪音的影响,本文使用注意力机制改进了孪生神经网络,提高说话人身份识别模型的鲁棒性。本文通过在孪生神经网络的卷积层中加入注意力层,增加对说话人相关特征的权重分配,减少环境噪音的影响。结果表明,在不同类型噪音和不同信噪比下,改进后模型的识别准确率有显著性提高。