说话人识别一直都是国内外的一个重要的研究课题。本文从研究说话人识别的一些基本理论入手,研究了几种常用的说话人确认算法和背景模型并进行了仿真与比较,重点研究了基于GMM模型以及全局背景模型的与文本无关的说话人确认系统。本文的主要研究工作如下:　　 1.传统的基于概率模型的说话人确认系统都要为说话人设置一个背景模型,背景模型的好坏有时候与特征参数选择的好坏一样能对识别率起到至关重要的作用。本文先对两种常用的背景模型即全局背景模型(Universal Background Model,UBM)和竞争者模型(Cohort Model)进行了阐述,并分别对其进行了说话人确认的仿真实验。结果表明全局背景模型的识别率达到94％左右,而竞争者模型的识别率则比较低只稍高于80％,不能单独用于实际应用。　　 2.广泛查阅了研究者们提出的全局背景模型和竞争者模型的研究结果后,发现研究者们已经指出两种模型代表了特征空间的不同区域。UBM代表与真实说话人无关的特征分布,即所有说话人的共性,易于区分一般的假冒者；Cohort Model代表与真实说话人特性相近的假冒者的特性,易于区分与真实说话人特性相近的假冒者。因此我们提出将两种背景模型经行级联,先用UBM区分大部分的假冒者,再用Cohort Model区分与真实说话人特性相近的假冒者,实验表明新模型能有效的提高说话人确认的识别率。在实验过程中提出疏远者模型(C_Cohort Model)在说话人确认中的作用。　　 3.实际环境中无处不在的噪声带来了训练模型和测试语音之间的失配,使得噪声环境中说话人识别系统的识别率急剧下降。本文提出了一种改进的MEL频率倒谱系数,记为:PL_MFCC,与LPCC、MFCC、PLPCC相比该参数有效的抑制噪声,对含噪语音的识别率有显著提高。