目标语音提取技术旨在借助参考信息从混合数据中提取出目标语音,为语音识别、分类等领域提供前端处理的技术支持。随着人工智能的产业化发展,智能语音技术在智能家居、办公会议、语音交互机器等领域具有广阔的发展前景。上述应用需求往往对语音的感知质量和可懂度提出严格的要求,然而语音不可避免地会受到各种人声或噪音污染,这使目标语音提取技术迎来新的机遇和挑战。由于人声干扰存在复杂未知性,如何从多人重叠语音中准确稳定地提取出纯净目标语音是一个亟需解决的难题。另外,大多数语音提取模型只针对单一重叠语音场景进行优化,难以推广到更为复杂的日常提取任务。为此,本文结合各种实际场景需求,致力于研究兼具高性能、强泛化能力和强鲁棒性的单通道端到端目标语音提取模型,具体工作内容和贡献如下:（1）针对如何从目标活跃的多人混合语音中准确提取纯净目标语音的问题,提出一种基于改进双路径循环神经网络的单通道目标语音提取模型。设计改进的双路径网络作为语音提取主网络,在块内和块间维度上充分融合输入特征和嵌入信息,提升模型的说话人适应性;并充分利用块内局部信息和块间全局信息,解决了长语句级别序列的全局建模问题,提高模型从混合特征构建出目标语音的提取能力。与现有模型相比,实验结果表明所提模型能够更加准确稳定地从多人重叠语音中提取目标语音,且在不同说话人条件下表现出较显著的泛化能力。（2）针对如何从目标状态变化的实际混合场景中有效提取理想目标语音的问题,提出一种结合目标语音活动检测的通用目标语音提取模型。引入目标语音活动检测任务,辅助模型识别目标活跃状态,保证提取高质量目标语音的同时,有效适应多种日常语音提取条件。另外,结合预训练和微调组合训练方式,提出一种引入比例权重的多任务损失函数,旨在缓解静音样本对模型训练的负面影响,优化不同条件的联合训练。实验结果证明,所提模型能够有效实现多种混合条件的高质量语音提取任务,尤其在目标缺席情形,消除了大部分非目标语音能量,具有适应不同目标状态的鲁棒性。