1.一种多重注意力特征融合的说话人识别方法，其特征在于：构建深度说话人表征模型，深度说话人表征模型包括特征提取器和说话人分类器，Fbank特征作为深度说话人表征模型的输入，通过特征提取器将Fbank特征提取为说话人表征，在训练阶段，使用说话人分类器将说话人表征映射到说话人标签上，并构造损失函数对深度说话人表征模型进行优化；在测试阶段，采用余弦距离比较说话人表征之间的相似度，根据阈值判断是否为相同的说话人；

所述深度说话人表征模型基于多重注意力特征融合，所述多重注意力特征包括空间注意力机制和通道注意力机制，从全局数据上学习不同分支的特征权重，对特征X1和X2进行相加融合，获得全局特征G，将所述G分别输入到空间注意力机制和通道注意力机制中，获得每个分支的特征权重，最终得到多重注意力特征融合的输出特征。

2.根据权利要求1所述的多重注意力特征融合的说话人识别方法，其特征在于，所述空间注意力机制输入为全局特征G，输出为空间注意力权重 和 所述空间注意力机制由四层TDNN组成，通过所述TDNN将全局特征映射为不同分支的特征权重，每个分支的每个像素点都学习一个权重，每个分支相同位置的像素点之间使用SoftMax激活操作进行归一化；其中，T代表帧数，F代表频率维度。

3.根据权利要求2所述的多重注意力特征融合的说话人识别方法，其特征在于，对所述全局特征G，通过卷积核为1、空洞率为1的TDNN进行特征学习，先将频率维度F压缩为F`，再将频率维度还原为原始尺寸F，其中F＞F`。

4.根据权利要求3所述的多重注意力特征融合的说话人识别方法，其特征在于，所述通道注意力机制的输入为全局特征G，输出为通道注意力权重 和 所述通道注意力机制包括池化函数和多层全连接层，池化函数对全局特征G进行压缩，获得中间特征 再采用全连接层提取瓶颈特征 从瓶颈特征Z`映射出不同分支的通道权重β1和β2；最后采用SoftMax激活函数将不同分支的通道权重规整至(0，1)范围内。

5.根据权利要求4所述的多重注意力特征融合的说话人识别方法，其特征在于，所述通道注意力机制为每个分支的每个通道学习一个权重。

6.根据权利要求1所述的多重注意力特征融合的说话人识别方法，其特征在于，所述空间注意力机制、通道注意力机制以及TDNN组成一个结构块，重复堆叠所述结构块组成深度说话人表征模型，不同的结构块之间采用密集连接。

7.根据权利要求1所述的多重注意力特征融合的说话人识别方法，其特征在于，所述损失函数采用角加边损失函数AAM‑SoftMax。

8.根据权利要求1所述的多重注意力特征融合的说话人识别方法，其特征在于，所述Fbank特征是通过对语音信号进行短时傅里叶变换得到语谱图，语谱图再通过梅尔滤波器获得的。