随着人工智能时代的崛起,人机语音交互技术正在向各行各业渗透,拥有语音交互技术的产品正在不断涌现。但是,现实生活中的声音信号几乎都会受到噪声的干扰,并且机器无法像人耳一样主动从带噪声音中追踪目标语音,所以语音分离技术就显得格外重要。深度学习技术一直是人工智能领域的核心内容,近几年越来越多的研究人员开始利用深度学习实现语音分离任务。本文研究了基于时延神经网络(Time Delay neural Networks,TDNN)的语音分离。与深度神经网络(Deep Neural Networks,DNN)相比,TDNN模型能更好的考虑到帧级别特征之间的时频相关性;与卷积神经网络(Convolutional Neural Networks,CNN)相比,TDNN模型可以较好的解决由于重复计算所导致的时间开销过大的问题。本文完成了单通道条件下的两组对比试验。对于TDNN模型来说,不同的偏移量情况下会产生不同的TDNN结构,所以本文首先对不同结构的TDNN在语音分离性能上的表现进行了对比。其次,将TDNN和DNN,CNN做了对比试验。实验结果表明,拥有越宽广的输入层上下文的TDNN结构越能取得更好的语音分离效果;相比于DNN,TDNN的分离效果略有提升;相比于CNN,TDNN模型在训练和测试的速度上更具优势。