说话人聚类用于解决“谁,何时,说话”问题,是语音信号处理领域中的重要技术。说话人聚类算法主要应用在会议语音记录分类、语音识别预处理、声音类别检测、说话人识别等诸多研究方向,因此具有重要的研究意义。此前,说话人聚类算法主要集中在单个说话人场景下的会议记录,通话记录等简单的语音场景,已取得了良好的性能表现。然而在复杂的“鸡尾酒会”场景下,多说话人同时说话情况下(overlap)的说话人聚类问题,到目前为止,依然是当今的说话人聚类问题的研究难点之一。本文对说话人聚类方法uis-rnn进行研究与改进。Uis-rnn是一种以全监督方式实现说话人聚类任务的方法,本文对uis-rnn的说话人转换概率问题提出了改进算法,并提出使用说话人数量估计方法,预先估计说话人总体数量,改进了 uis-rnn的决策方法,增加聚类细分(resegment)部分,降低聚类的估计误差。最后本文基于uis-rnn实现了 overlap场景下的说话人聚类系统。在说话人数量估计任务中需要同时满足上述的两个需求:一是估计非固定长度的语音数据整体的说话人数量,二是检测每一个固定长度的的短语音片段中同时说话的说话人数量,即overlap检测。因此本文的另一个贡献是提出了支持变长数据输入的说话人数量估计方法,基于GST模型结构的说话人数量估计方法。对比目前说话人数量估计方法,基于CRNN的方法count-net,本文提出的说话人数量估计方法支持变长数据的输入,在说话人数大于等于5的情况下,本文的说话人数量估计方法能获得更加准确结果。此外结果表明,本文提出的基于GST模型结构的说话人数量估计模型在240ms下取得小于0.2的MAE误差,在变长的语音数据下能够实现小于0.4的平均MAE误差,证明其对变长语音数据的说话人数量估计结果的有效性。本文通过实验结果表明,在改进说话人转换概率估计的方法后,说话人聚类结果有效提升,DER下降2.6%。uis-rnn增加resegment机制后,说话人聚类效果获得明显的提升,DER下降达6%左右,实现了在非overlap场景下的6.18%的DER结果,baseline系统获得14.84%的 DER。此外,本文提出的针对overlap的说话人聚类方法能有效的在overlap情形下实现说话人的多标签聚类,并在手动合成的overlap语音数据上获得9.76%的DER。