语音是人与人交流的最重要方式,也是最重要的信息载体之一。语音分离指将目标语音从背景噪声中分离出来,对提高语音质量和感知清晰度具有重要意义,可广泛的应用于移动语音通信,自动语音识别以及助听器设计等领域。近些年,将语音分离看作是监督性学习问题,使用监督模型学习从带噪语音到目标语音的映射,受到了国内外许多学者的关注,并取得一定的研究进展。本文基于监督学习算法,提出使用深层神经网络作为监督学习模型实现从带噪语音到目标语音之间的映射,完成语音分离任务。首先,使用深度神经网络（DNN）作为监督学习模型实现语音分离任务。为提高监督性语音分离在多种训练目标下的分离性能,提出一种基于特征组合的多目标监督性语音分离方法。针对声学特征之间的不同特性,提取多种典型的时频域声学特征,采用group lasso方法对这些特征进行选择及组合,得到一组特征组合向量;利用DNN模型在不同信噪比环境下完成组合特征在多分离目标下的语音分离实验。实验证明,特征组合显著的提高了监督性语音分离系统的分离性能,且在多种训练目标下都显示出了可行性与优越性。其次,使用卷积神经网络（CNN）作为监督学习模型对语音分离进行研究与实现。针对DNN全连接结构的复杂性及过渡依赖特征提取等问题,提出一种基于简单帧级别的CNN语音分离架构和方法。利用CNN卷积层的信息挖掘能力,充分发挥语音信号上下帧间的结构信息,学习语音信号的深层特性。提取Gammatone滤波域的多分辨率耳蜗图（MRCG）并进行上下帧扩展作为输入特征,通过设定CNN模型和DNN模型的对比实验,在不同信噪比和不同分离目标的条件下,完成语音评价指标的计算。实验结果验证了基于CNN的语音分离方法具有更高的分离性能和更低的时间复杂度。最后,使用粒子群算法改进卷积神经网络的BP算法,并应用于监督性语音分离中。针对卷积神经网络训练过程中用于反向传播的BP算法具有易陷于局部最优和泛化性差等缺点,使用粒子群代替BP算法进行网络权值的更新迭代。同样通过不同信噪比和多种分离目标完成两种语音分离指标的计算,验证粒子群改进卷积神经网络在语音分离中的优越性,提高语音分离系统的分离性能与泛化能力。