在说话人识别任务中，概率线性判别分析（PLDA）模型是目前常用的分类后端，但由于高斯PLDA模型分布假设不能准确拟合真实说话人特征分布，导致基于高斯分布假设长度归一化的信道补偿方法会破坏说话人特征类内分布的独立性，使得高斯PLDA不能充分利用上游任务提取特征所包含的说话人信息，从而影响识别结果。针对这一问题，提出基于概率球面判别分析的信道补偿算法（CC-PSDA），通过引入冯·米塞斯-费希尔（VMF）分布假设的概率球面判别分析模型（PSDA）和特征变换方法代替高斯分布假设的概率线性判别分析方法，以避免信道补偿对说话人特征类内分布独立性的影响。首先，为了使说话人特征符合VMF分布先验假设拟合后端分类模型，在特征级利用非线性转换对说话人特征进行分布变换。之后，利用基于VMF分布假设的PLDA模型不会破坏说话人特征的类内分布结构的特点，将变换后的说话人特征定义到特定维度的超球面，最大化特征类间距离。所提算法通过期望最大化（EM）算法进行求解，最终完成分类任务。实验结果表明，改进算法在三个测试集上的识别等错误率相较于对比模型PSDA、高斯PLDA均最低。由此可见，所提模型可以有效区分说话人特征，提高识别性能。

针对当前决策树算法较少考虑训练集的嘈杂程度对模型的影响,以及传统驻留内存算法处理海量数据困难的问题,提出一种基于Hadoop平台的不确定概率C4.5算法——IP-C4.5算法。在训练模型时,IP-C4.5算法认为用于建树的训练集是不可靠的,通过用基于不确定概率的信息增益率作为分裂属性选择标准,减小了训练集的嘈杂性对模型的影响。在Hadoop平台下,通过将IP-C4.5算法以文件分裂的方式进行MapReduce化程序设计,增强了处理海量数据的能力。与C4.5和完全信条树(CCDT)算法的对比实验结果表明,在训练集数据是嘈杂的情况下,IP-C4.5算法的准确率相对更高,尤其当数据嘈杂度大于10%时,表现更加优秀;并且基于Hadoop的并行化的IP-C4.5算法具有处理海量数据的能力。