随着电话和手机的普及，电话语音在人们的同常生活中占有越来越重要的地位。使用电话语音来进行话者身份的鉴别具有快捷方便等多种优点，越来越受到人们的重视，其技术拥有广泛的应用前景和重要的实用价值。 支持向量机是一种区分性模型，具有良好的区分性和泛化性，是目前模式识别领域的研究热点。高斯混合模型是概率统计模型，其通过概率统计能够较好的描述话者的特征分布，但其区分性有待进一步提高。本文将支持向量机用于文本无关的话者确认作为研究方向，对基于SVM并使用GMM进行特征映射的文本无关话者确认方法进行了深入的研究。主要研究内容如下： 1．深入分析了GMM-UBM的结构特点，并通过实验分析了混合度的选取对于GMM-UBM确认系统的性能影响以及快速算法Top C中C的取值问题等问题。 2．深入讨论了基于支持向量机的话者确认中的各个环节，包括建模策略，背景话者的选取，SVM的输出评分，以及核函数的选取等，并通过实验进行了分析。 3．详细分析了文本无关话者确认中，SVM直接用作话者模型时所面临的大样本，语义信息干扰，特征空间混叠等困难，给出了一种利用GMM进行聚类变换的方法。这种方法利用GMM做前级进行特征变换，对MFCC数据集进行了聚类压缩，将其转化为统计参数，进一步突出话者个性信息，减少了特征空间的混叠现象，有效的解决了SVM直接用作为话者模型时所面临的困难。 4．提出了一种基于GMM全统计参数并结合SVM核函数的特征参数。这种参数充分利用了GMM的均值，方差和权重三种统计参数，仅使用线性核函数就建立了具有良好鲁棒性和区分性的SVM话者模型。文中通过实验对其性能进行了分析。