说话人识别技术作为一种重要的生物识别技术,被广泛应用于身份认证、信息安全、法庭、医疗、公安等领域。目前使用高信噪比语音的说话人识别系统已经达到了很高的识别精度,但是信道失配的说话人语音在目前说话人识别系统中的识别精度并不理想。因此,说话人识别系统的信道失配问题是影响其识别性能的主要原因,所以本文针对说话人识别中的信道失配问题,在现有的理论基础上提出有效地信道补偿算法。针对文本无关的说话人识别系统在使用小数据集的情况下,提出一种基于噪声估计的本征音自适应(ENV)算法。ENV算法在离线阶段利用VTS估计出噪声特征,并结合干扰空间投影矩阵构建出纯净的本征音空间。在测试阶段采用最大似然估计算法计算出表征说话人无噪声特征的说话人因子,并利用离散余弦距离打分算法计算出系统得分。针对i-vector和DNN/i-vector算法在得分域中的辨识度差异问题,提出一种基于得分规整加权的信道补偿(DIV)算法,DIV算法有效的提高了i-vector和DNN/i-vector算法的信道补偿能力。在离线阶段,DIV算法根据i-vector和DNN/i-vector算法中得分数据计算出语音的辨识度,然后计算注册说话人语音在基准训练集中的加权系数。在测试阶段,利用该加权系数重新规整i-vector和DNN/i-vector算法的得分,计算出最终的系统得分。在本文实验验证中,使用MATLAB工具对ENV算法进行实验验证。实验结果表明,ENV算法相对于传统的本征音自适应算法,在两个数据集中的等错误率结果分别下降了4.4%和1.7%。使用KALDI语音框架中的声纹识别工具对DIV算法进行验证,实验结果表明针对文本相关和文本无关的不同属性语音数据集,相对于单独使用ivector和DNN/i-vector算法的系统性能分别提升了5%到30%。