當(dāng)測(cè)試語(yǔ)音時(shí)長(zhǎng)充足時(shí)，單一特征的信息量和區(qū)分性足夠完成說(shuō)話人識(shí)別任務(wù)，但是在測(cè)試語(yǔ)音很短的情況下，語(yǔ)音信號(hào)里缺乏充分的說(shuō)話人信息，使得說(shuō)話人識(shí)別性能急劇下降。針對(duì)短語(yǔ)音條件下的說(shuō)話人信息不足的問題，提出一種基于多特征i-vector的短語(yǔ)音說(shuō)話人識(shí)別算法。該算法首先提取不同的聲學(xué)特征向量組合成一個(gè)高維特征向量，然后利用主成分分析（ PCA）去除高維特征向量的相關(guān)性，使特征之間正交化，最后采用線性判別分析（ LDA）挑選出最具區(qū)分性的特征，并且在一定程度上降低空間維度，從而實(shí)現(xiàn)更好的說(shuō)話人識(shí)別性能。結(jié)合TIMIT語(yǔ)料庫(kù)進(jìn)行實(shí)驗(yàn)，同一時(shí)長(zhǎng)的短語(yǔ)音（2 s）條件下，所提算法比基于i-vector的單一的梅爾頻率倒譜系數(shù)（MFCC）、線性預(yù)測(cè)倒譜系數(shù)（ LPCC）、感知對(duì)數(shù)面積比系數(shù)（PLAR）特征系統(tǒng)在等錯(cuò)誤率（EER）上分別有相對(duì)72. 16%、69. 47%和73.62%的下降。不同時(shí)長(zhǎng)的短語(yǔ)音條件下，所提算法比基于i-vector的單一特征系統(tǒng)在EER和檢測(cè)代價(jià)函數(shù)（DCF）上大致都有50％的降低?；谝陨蟽煞N實(shí)驗(yàn)的結(jié)果充分表明了所提算法在短語(yǔ)音說(shuō)話人識(shí)別系統(tǒng)中可以充分提取說(shuō)話人的個(gè)性信息，有利地提高說(shuō)話人識(shí)別性能。