本文以单通道情形下的计算听觉场景分析(CASA)算法为研究对象，主要致力于解决在各种噪声环境下的语音去噪与分离问题。随着近年来以深度神经网络为主要代表的深度机器学习理论和技术的快速发展，CASA也从以机理建模为主要特点的算法逐渐过渡到了目前以机器学习为主要特点的阶段。然而，如何在选用和设计恰当的深度网络结构，并对多角度、多侧面的各种声学线索进行有效利用仍然需要深入地研究。本文的主要工作及创新点如下:　　合作式深度堆叠神经网络在语音分离中的应用。在设计基于深度学习的语音分离算法的过程中，我们发现深度堆叠神经网络非常适合语音分离任务，并且这种网络便于并行算法的实现。在此基础上，受多任务学习策略的启发，我们提出了一种合作式的深度堆叠神经网络框架，这一框架便于实现多种声学线索的有机融合。　　基于深度学习的跨表达域合作和多分辨率合作的语音分离方法。基于我们提出的深度学习语音分离框架，我们首先使同一语音信号在不同时频表达域的特征进行融合，发现不同的时频表达方法可以反映同一语音信号的不同侧面，并提供互补信息，从而使得语音分离算法的性能得以提升;进一步，即使在同一时频表达域，如果我们使不同分辨率尺度下的特征进行融合，也能提高语音分离算法的性能。　　基于深度学习网络的双说话人语音分离系统。现有的双说话人分离系统有的是围绕双基频信息和语音局部关联性信息进行语音分离;也有的是采用产生式的统计模型进行语音分离，如在GMM说话人模型基础上的MAXVQ方法、Linear VQ方法，以及基于码本生成的非负矩阵分解(NMF)、稀疏编码（Sparse Coding）等。但是，这些算法的共同特点是试图通过简单的近似计算或者线性叠加来对混合语音的产生过程进行建模。本文对直接基于深度神经网络(DNN)这种判别式模型的双说话人语音分离算法进行了相关探索。然后进一步，我们把本文提出的合作式深度堆叠神经网络也推广到了双说话人语音分离系统中。实验结果验证了基于DNN的双说话人语音分离算法的有效性，并且表明基于合作式DSN的算法具有更好的性能。　　基于经验模式分解的抗混响双基频提取算法。基音频率是计算听觉场景分析(CASA)算法中占有重要地位的一个声学线索，同时多基音提取本身也是一个比较困难的问题。针对传统的基于加和自相关函数进行基频提取的算法所依赖的峰值位置和峰值高度在多基频提取过程中的不可靠问题，我们通过希尔伯特经验模式分解得到一种被称为频率匹配函数(FMF)的时频单元特征表达。通过使用加和的频率匹配函数进行双基频提取，我们提升了现有双基频提取算法的性能。