为实现对大型在线音乐数据进行自动分析、组织和检索,乐音分离在近几年越来越受到人们的关注。非立体声分离是希望从单一声道的多音音乐中恢复出每一个声源/乐器声线,这是一个非常具有挑战性的问题。而本文要研究的是歌声分离,也就是从单一声道的多音音乐中将歌唱声分离出来,并且能达到较好的分离效果。概括地说,现有的非立体声乐音分离系统都是基于传统的信号处理技术(主要是正弦模型),统计技术(如稀疏编码和非负矩阵分解),或者基于心理声学的研究(计算听觉场景分析,CASA)。音乐信号是一种典型的非平稳信号,因此对于分析音乐信号,时-频(T-F)分析方法是有效的。T-F分析方法是非平稳信号处理的一个重要分支,它是利用时间和频率的联合函数来表示非平稳信号,并对其进行分析和处理。T-F分析方法按照T-F联合函数的不同可以分为线性和非线性两种。常见的线性T-F表示主要有短时傅立叶变换(STFT)、Gabor展开以及小波变换等。非线性T-F方法主要有Wigner-Ville分布(WVD)和Cohen类。此外,听觉滤波器也逐渐成为对信号进行T-F分析的重要方式。CASA研究的主要目标是分析一个听觉场景,并识别场景中的各种声音。我们也是根据CASA的思想建立了基于T-F分析的歌声分离系统。该分离系统由四个模块组成:T-F分解、主音高检测、歌声T-F信息的提取和歌声的合成。在T-F分解阶段我们采用了STFT和Gammatone滤波器两种T-F分析技术,由此设计出两种分离方法。基于STFT的歌声分离系统,在T-F分解阶段是利用STFT将输入的时域信号变换到T-F域。经过这样的处理,信号的频谱具有随时间变化的特点。基于Gammatone滤波器的歌声分离系统,是利用一个Gammatone滤波器组将输入信号分解成多个频带的时域信号,然后将每个滤波器的输出划分为重叠的帧。两种方法的主音高的检测模块是一致的。虽然基音提取的方法有很多,但是大多数乐音信号是多音信号,所以想要从多音信号中提取出歌声的音高相当困难。而我们利用乐音的谐波特性进行音高的提取。第三阶段是进行歌声T-F信息的提取。基于STFT的方法,是根据检测到的主音高,将每一帧信号的频谱中的各次谐波结构提取出来。而在基于Gammatone滤波器的方法中,除了要用到主音高,还需要计算相关图谱和交叉通道互相关,以及端点检测。最后一步,STFT方法中是对提取的歌声的短时谱进行反变换。而在第二种分离方法中,对各通道进行叠加求和就可以得到分离的歌声。