近年来,随着计算机和互联网的高速发展,人们的生活方式发生了巨大改变,人与计算机之间的交流也日益增多。作为人类最重要、最常用和最方便的信息交换方式—语音输入,也得到了越来越多的科研人员的广泛关注。随着语音的人机交互技术在语音合成、自动语音识别(automatic speech recognition,ASR)等领域获得了巨大成功,也同时伴随着很多问题亟待解决,比如背景噪声、混响等对语音质量会产生极大的干扰,从而降低了语音的听感以及可懂度,对ASR的系统也会造成很大的影响,进而影响语音技术的实际应用。如何从被干扰的语音中获得较干净、清晰的语音信号,成为语音信号处理领域的一个重要课题。而在这其中,语音分离是极为重要的一个方面,也成为了语音技术发展的迫切需求,受到了研究人员的重点关注。进入21世纪以后,深度学习技术在信号处理域取得一系列重大突破,首先是多伦多大学的Hinton教授将深度模型引入在图像编解码和文本分类领域中,取得非常好的效果,再者是微软的邓力博士将深度神经网络(Deep Neural Network,DNN)应用在语音识别任务上,获得了非常大的性能提升,随后深度学习在语音,图像和视频领域都有非常广泛的应用,特别是工业界像谷歌,微软,百度这样的巨头,都将深度学习应用在他们的产品中,极大地促进了深度学习在学术中的研究。并且工业界的大规模成功应用,还显示了大数据在实现分类或识别任务上的巨大的潜力。而在语音分离任务上,能否用深度学习技术结合大数据在说话人独立的条件下实现比较好的性能表现是本论文的一个研究重点。在各种语音分离的方法中,除了会利用到空域信息的麦克风阵列技术以外,单通道语音分离是其中非常重要的一个领域,而其中没有混合说话人先验信息的说话人独立方法是其中的一个难点。近年来,基于计算听觉场景分析(compu-tational auditory scene analysis,CASA)的方法在单通道语音分离上得到了 成功的运用,但是这种方法会给目标信号造成很大的畸变。而利用回归的DNN能够更好的保留目标信号,本文的主要工作就是利用深度学习技术在单通道条件下进行说话人独立的语音分离。首先,我们在异性说话人组合的情况下进行了说话人独立深度神经网络的构建工作。能够进行多说话人语音分离的一个重要理论基础是混合的说话人的发音特性具有一定的区分性,比如不同的共振峰、频率分布、相同音素的不同发音时长等。而男性和女性说话人由于发音器官具有天然明显的不同特性,具有可分离的理论基础。通过利用混合语音的对数功率谱(log-power spectra,LPS)作为DNN模型的输入特征,而将说话人的干净语音特征作为输出,训练DNN学习混合语音和干净语音的非线性关系。然后,本文提出了一个基于说话人组合检测的说话人独立单通道语音模型系统。首先通过利用一种计算说话人语音相似度的方法,将说话人聚类成4个不同的子类,并证明不同之类之间具有明显的可分性。然后基于聚类结果,本文训练了一个有四输出端的说话人组合检测器,通过该检测器网络的输出信号的能量关系,可以判断当前混合语音的说话人组合类别。最后,根据检测器的识别结果,利用不同的DNN语音分离器将混合语音进行分离。最后,本文基于最大似然估计改进在回归DNN模型的训练过程中采用的最小均方误差准则(Minimum Mean Square Error,MMSE)目标函数。在最大似然估计的情况下,假设DNN的输出错误信号服从零均值的多维高斯分布,提出了一种依次更新DNN参数和其输出错误信号的分布函数的协方差矩阵的方法。进而可以发现MMSE准则在以下假设的条件下等效于最大似然估计:即DNN的输出错误信号分布函数的协方差矩阵为单位阵,即它的LPS域的各个分量具有相同的方差。但是实际情况下,这个假设并不严格成立从而限制了基于MMSE优化准则的泛化能力,因此通过将这个约束条件进行放松,在最大似然估计下得到了新的目标函数用于DNN的训练,并取得了明显的性能提升。在本文的最后,我们对所有工作进行了总结,并对未来的工作方向进行了展望。