近年来,生物识别技术不断取得进步,其中自动说话人验证就是生物识别技术中的一种。而数据表明,自动说话人验证系统易受到恶意欺骗攻击。随着自动说话人验证技术的不断成熟,未来必将会在许多领域得到使用,因此需要为自动说话人验证系统提供可靠的技术来应对欺骗攻击。一般来说,说话人验证系统面临的主要攻击方式有人为模仿、录音重播、语音合成与语音转换等。本文主要针对语音合成与语音转换这两种类型欺骗攻击进行研究。伪装语音检测通常通过分析并对比真实语音信号与伪装语音信号的声学特征来判定所检测的语音信号是否为真实语音。声学特征在目前的研究中通常作为主要的特征参数来区分真实语音与伪装语音,其中Mel频率倒谱系数与近些年提出的基于常量Q变换的常量Q倒谱系数特征（Constant Q Cepstral Coefficients,CQCC）都是典型的语音信号声学特征,但是声学特征并不能全面地描述语音信号的特征信息,因此本文引入纹理特征来优化伪装语音检测系统中的特征参数。本文提出了一种基于均匀局部二值模式（Uniform Local Binary Pattern,ULBP）纹理特征与CQCC声学特征相结合的联合特征参数的伪装语音检测方法。本文利用ULBP提取出语音信号语谱图中的纹理特征向量并联合声学特征向量,用所获得的联合特征向量训练分类器,从而实现了伪装语音检测。考虑到不同的分类器对各种类型的特征具有不同的匹配度,本文选择随机森林（Random Forest,RF）模型作为分类器,用于伪装语音检测系统区分真实语音与伪装语音,实验结果表明随机森林模型能够更好的拟合本文所提的联合特征,并且在使用联合特征时的分类效率与性能都要优于常用的支持向量机分类器,提高了伪装语音检测的效果。实验结果也表明,基于联合特征的伪装语音检测方法的性能比使用单一的特征要好。为进一步增强语音信号语谱图的纹理特征,本文使用全局纹理分析对纹理特征进行优化,并引入灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）,提出了一种新的用于伪装语音检测的联合特征CQCC-ULBP-GLCM。论文通过提取语谱图中的全局纹理特征向量,并将其与ULBP特征向量和CQCC进行联合得到CQCC-ULBP-GLCM特征向量。灰度共生矩阵特征可以提供语谱图的灰度对于方向角度、变化幅值与局部邻域分布等信息,为纹理特征补充了全局纹理特征信息。实验结果表明,GLCM很好地改善了基于CQCC-ULBP联合特征的伪装语音检测方法,进一步提升了伪装语音检测系统的性能。同时,基于CQCC-ULBP-GLCM的伪装语音检测方法在应对欺骗攻击时具有较好的噪声鲁棒性,能够较好地应对噪声的干扰。