随着科技进步与多媒体技术的发展,人类对于音乐的追求越来越高。而单声道唱声分离技术作为音乐处理的前端模块,是实现基频估计、歌词识别、歌词同步、歌手识别、音乐检索以及卡拉OK等应用系统的基础。近年来单声道唱声分离取得了重要的发展,主流的分离方法包括传统机器学习方法和基于神经网络的深度学习方法。本文研究了两种基于U-Net结构的深度学习方法:基于嵌套U-Net和时频掩蔽的单声道唱声分离模型以及基于门控嵌套U-Net的端到端单声道唱声分离模型。具体内容如下:本文根据U-Net网络结构、时频掩蔽处理方法以及区分性训练(Discriminative Training)在唱声分离领域中的优势。研究了基于嵌套U-Net与时频掩蔽的单声道唱声分离模型。该模型将二维频谱信息作为特征,通过嵌套U-Net中重构跳跃连接(Skip Connection)结构,减少了编码与解码器(Encoder-Decoder)子网络之间频谱特征的语义差异,简化优化器所解决的优化问题。并通过区分性训练联合不但可以同时估计两个源信号、还能优化一个软时频掩蔽函数来进一步增强分离效果。实验结果表明本文研究的基于嵌套U-Net与时频掩蔽的单声道唱声分离模型相较于Chimera分离模型以及U-Net分离模型在i Kala与MIR-1K数据库取得更好的分离效果。本文在基于嵌套U-Net与时频掩蔽的单声道唱声分离模型的基础上,研究了基于门控嵌套U-Net的端到端单声道唱声分离模型。该模型将一维时域波形作为输入,不但避免了短时傅里叶变换得到二维时域频谱信息依赖许多参数带来的计算,还避免了相位带来的信息丢失。并通过门控线性单元(Gated Linear Units)引入门控机制控制卷积神经网络的输出。将编码与解码过程中通道更迭方式由幂次更迭的方式改为线性更迭,大幅度减小参数量,实验证明没有影响测试结果。通过差异输出层(Difference Output Layer)共同优化网络模型,同时分离输出的唱声与伴奏信号。实验结果表明本文研究的基于门控嵌套U-Net的端到端单声道唱声分离模型相较于基于嵌套U-Net和时频掩蔽的单声道唱声分离模型在i Kala与MIR-1K数据库取得较好的效果。并且在i Kala数据库中的结果已经接近理想二值掩蔽(Ideal binary mask,IBM)。