说话人验证是一种利用声纹信息来判断用户身份的生物特征识别技术。随着人工智能的发展,以智能音箱、智能电视为代表的智能设备逐渐普及,语音技术得到了广泛的运用。然而为了保障这些语音技术运行的安全性,说话人验证常常被用来鉴别使用者的身份。此外,说话人验证还可以被运用到公安大数据监测、金融证券、国防军事等领域。说话人验证的过程是判断两条语音是否属于同一个说话人。目前,主流的方法利用深度神经网络将语音片段提取为代表说话人身份信息的表征,然后根据注册语音和测试语音的表征相似度来验证身份。在实验室安静环境下,以x-vector为代表的说话人验证系统已经取得了一定的性能突破。但是,在复杂场景下语音信号中包含各式各样的噪音以及混响,导致现有的说话人验证系统的性能不佳。因此,说话人验证任务仍然面临诸多挑战。针对这些问题,本文分别提出了基于辅助对抗任务的说话人验证方法和基于多重加权特征融合的说话人验证方法,论文的主要内容和创新点如下:（1）提出基于辅助对抗任务的说话人验证方法。针对远场环境下说话人到麦克风的位置变化导致说话人表征特征空间不匹配问题,采用说话人到麦克风距离的分类作为辅助对抗任务来消除说话人表征中的距离信息并弱化混响的影响。梯度反转层将来自辅助任务的梯度取反后传播到说话人验证任务中,使得说话人验证任务和辅助任务的优化目标相反,产生对抗效果。在中文远场语音数据集HI-MIA的实验表明,相比于基线模型,采用辅助对抗任务的说话人验证方法针对等错误率和最小检测代价的指标分别提高了10%和3%。（2）提出基于多重加权特征融合的说话人验证方法。针对复杂环境下语音信号中干扰多样且复杂的问题,提出基于多重加权的多分支特征融合的方法。该方法采用点注意力加权机制和通道注意力加权机制分别从不同角度对多分支特征进行加权融合,过滤出有效的说话人信息并抑制噪音干扰。在自然环境语音数据集Voxceleb和Cnceleb上的实验表明,相比于其他的特征融合方法以及单分支方法,所提方法的性能平均提升了6%。（3）设计并实现说话人验证原型系统。基于上述研究成果,使用编程语言Python实现说话人验证原型系统。该系统主要包含语音录制、语音信号预处理、说话人特征提取、相似度比较以及图形界面显示等模块。