近年来,随着智能设备越来越多地融入日常生活,语音合成被广泛应用到各种场景中,凭借人工智能技术和计算机技术的发展,语音合成系统的效果逐渐提高,但现有的语音合成系统合成的语音与生动活泼、感情丰富多彩的人类语言在语音的自然度、可懂度方面还有相当大的差距,并且现有的语音合成算法结构复杂,极大的限制了自身应用场景。因此在人机交互领域,语音合成技术的研究是一个重要课题。论文围绕着端到端的语音合成方法,针对语音合成任务中,现有算法生成的语音自然度不佳以及声码器结构复杂问题,从对语音合成声码器优化方面开展研究工作。论文主要的研究内容如下:首先,论文阐述并分析了中文语音合成领域中的基础理论,其中包括汉语语音的特性、几种较为主流的语音合成算法及其相关原理,并介绍了几种评价合成语音质量的常用指标和评价方法。然后,针对中文语音合成算法中语音韵律欠佳和自然度不高的问题,利用BoTNet网络对WaveNet声码器进行改进。BoTNet网络中含有自我注意力机制,能够基于内容的寻址机制来实现成对数据之间的交互,达到对长跨度序列的复杂关联特征层次进行学习的目的,增强了对长跨度依赖信息的建模能力,从而提升了中文语音合成系统的性能。并且提出的B-WaveNet声码器算法减少了模型的参数量,加快了计算速度。仿真实验结果和语音听音测试均验证了该声码器的有效性。最后,针对语音合成算法中时域语音合成器的复杂度过高问题,提出了一个基于子带的语音合成器模型。该模型首先采用多级小波分解与合并,在时域上将信号分解或重构为子带信号,然后利用语音字典以语言学特征作为条件特征,实现了基于子带的语音合成器。利用子带信号带宽小的优点,达到降低时域语音合成器复杂度的目的。仿真实验结果和语音听音测试均验证了该声码器的有效性。