说话人识别是根据人特有的语音信号来识别出说话人身份的一种生物认证技术，在说话人识别技术中，关键在于两方面：其一，如何从数据量相当大的原始语音信号中提取出反映说话人个性特征的参数. 其二，设计出行之有效的分类器. 本文针对说话人识别技术目前存在的技术难点进行了深入的研究，研究内容主要包括两方面： 对于特征参数的提取，目前使用最为流行的特征参数是基于人耳听觉特性的MEL倒谱系数(MFCC)，而 MFCC是基于语音信号短时平稳的假设，在短时傅立叶变换的基础上提取的. 实际上语音信号是一种典型的非平稳信号，短时分析不会随着时间的变化改变分辨率，而小波分析是一种信号的时间一尺度分析方法，它具有多分辨分析的特点，因此本文在基于研究了MFCC的提取原理的基础上，结合小波包对频带的多层次划分，并根据人耳感知频带的特点即Mel频率的分布，选择相应小波包分析后的结点频带，提取出一种基于小波包分析的新型特征参数(WPDC). 并在此基础上结合主分量神经网络，提出了另一种新型特征参数(WPDCNN). 对于分类器的设计，主要应用人工神经网络技术，建立了基于BP网络的说话人识别系统. 针对以上提出的性能下降的问题，本文在分析了己有BP人工神经网络法的基础上，结合DFP变尺度法，融合两者的优点，提出了一种改进的小波神经网络方法的说话人识别系统，该系统能有效的解决随着时间的变化，系统模型失配的问题.