语音合成作为如何将机器智能化的关键研究领域,旨在解决如何让机器发声的问题。随着社会智能化程度越来越高,智能语音设备已经融入了人们的生活,机器发声的质量变得越来越重要。近年来深度学习技术不断发展,研究人员将深度学习技术应用于语音合成领域,使生成语音的质量相比于传统的语音合成技术有了很大的提升。但是目前仍然存在一些问题,比如:研究主要集中在英语领域,中文语音合成还有很大的探索空间;合成语音的自然度还有待提高;对个性化语音生成要求较高等。本文围绕以上问题,基于深度学习技术对中文语音合成进行研究,主要工作和贡献如下:（1）在中文语音合成数据方面,提出了一种中文语音数据集的制作方法并制作了一个中文语音合成数据集。本文充分利用网络上大量高质量的语音数据源且在制作中引入一些自动化方法,利用该方法制作了一个名为CFNAS的高质量的中文语音合成数据集,并基于Transformer模型实现了高自然度的语音合成,验证了CFNAS数据集的有效性。与传统的语音数据集制作方法相比,本文提出的方法在提高制作效率的同时降低了制作成本。（2）在提升合成语音质量方面,为了减少中文语音合成中的出错,本文在模型中引入了局部注意力机制,指导模型更有效的学习输入文本与语音帧之间的对齐。实验表明基于局部注意力的Transformer模型可以有效的减少合成句子中的跳词、重复、韵律不自然现象并且有效提升了模型在长文本合成时的表现。（3）在基于少量数据的个性化语音合成方面,本文提出了两种解决方法。第一种是自适应训练方法,使用约10分钟的目标说话人语音数据在一个预训练模型上进行自适应训练即可,无需改动模型,实现简单且合成的语音相似度高。第二种基于说话人编码方法,使用目标说话人几秒钟的语音数据经过说话人编码网络进行特征提取,然后与语音合成模型融合,网络就可以根据提取的目标说话人声音特征进行个性化语音合成。该方法在训练过程中需要大量的多人语音数据但是大大降低了对目标说话人数据量的需求,且一个模型可以适用于所有说话人。综上所述,本文研究与实现的中文语音合成方法在一定程度上提升了中文语音合成数据集的制作效率和合成语音的质量,另外提出自适应训练和说话人编码两种基于少量数据的个性化语音合成方法,有较强的应用价值。