语音信号是人类社会信息交流的一个重要的载体,随着人工智能技术的发展,人机交互的应用场景越来越多,使机器能够具备与人类一样接收和理解语音的能力,是人工智能领域非常重要的问题。然而,现实声学环境通常存在未知噪声和多径效应,在获取的语音信号中包含复杂的噪声特性,增加了机器对语音的识别与理解的难度。因此,降低语音噪声和分离纯净语音成为一个热门的研究课题。论文分析了复杂环境下的声学混合模型,研究了强混响（高阶卷积混合）情况下的去混响与噪声抑制方法,实现语音信号的分离与增强。论文的主要研究内容和创新性贡献如下:1.提出了一种快速去排序混乱方法。利用混合矩阵在相邻频点之间的慢变化特性,通过最小化相邻频点矩阵梯度求解出置换矩阵。采用检测异常分离矩阵的方法,消除了异常分离矩阵对去排序混乱的影响。论文方法仅根据分离矩阵就能够求解出置换矩阵,显著降低了计算复杂度。仿真结果验证了论文方法的有效性。2.提出了一种基于联合对角化的高阶卷积混合盲分离方法。对高阶卷积混合的语音信号,采用两次短时傅里叶变换（STFT）将高阶卷积混合模型转化为瞬时混合模型,通过联合对角化方法初步估计出分离矩阵,并在频域和变换域上分别采用去排序混乱方法,实现高阶卷积混合语音信号的盲分离。对仿真数据高阶卷积混合信号进行盲分离实验,结果表明论文方法比现有方法具有更好的分离性能。3.提出了一种基于GAN的单通道卷积混合语音分离方法（CDGAN）。采用改进的CycleG AN网络来抑制由多径效应引起的混响,并通过差分GAN网络实现语音分离,采用了输入时频谱样本的实部和虚部,使GAN网络具有恢复信号相位信息的能力。仿真实验结果表明,本文CDGAN方法比现有方法能够更好的分离出目标语音信号,尤其是在高阶卷积混合情况下,CDGAN方法分离出的语音信号残留噪声更小。4.提出了一种自监督学习的语音增强方法（SS-SENET）。利用P网络重构出噪声的主成分,并采用D网络抑制掉噪声的随机成分,并在实际应用过程中,在线提取出背景噪声,构成P网络的在线训练样本,在增强语音信号的同时,对P网络的权值参数进行微调,使SS-SENET方法更好的适应当前声学环境,进一步提高噪声的抑制能力。通过对仿真数据和实测数据实验,与现有监督学习方法比较,论文的SS-SENET方法的语音信号增强效果更好。