在现实环境中,人类的目标语音信号通常会被噪声干扰,这会严重降低语音的可懂度,从而降低语音识别系统的性能。针对噪声干扰,前端语音分离技术是降噪过程中最常用的方法之一。一个好的前端语音分离系统能够极大地提高语音的可懂度和自动语音识别系统的性能。语音分离已在诸多领域展现出很好的前景,但也存在大量的不足与挑战。语音信号的复杂性使得即使是同一类语音信号的声学特征也存在很大的差异,这对语音分离系统的学习能力和泛化能力都提出了更高的要求,此外,现实环境中语音信号存在的重叠性也给目标特性的提取带来了困难。因此,相比于语音识别等传统音频信号处理技术,语音信号的分离性能还存在差距。语音分离技术是一种从混合语音中分离出目标语音的技术,语音分离技术涉及的应用领域十分广泛,其中包括语音通话、电话会议、场景录音、军事窃听、语音识别系统、助听器设备和语音识别设备等。为提高语音分离系统的性能,本文主要从网络设计、特征选择和学习目标三个方面入手,主要工作和贡献如下:（1）在网络框架设计方面,研究传统模式识别分类器的原理和方法特点,实现基于传统分类器的语音分离。理解神经网络的原理和方法特点,结合卷积神经网络和全连接网络,设计深度堆叠残差网络,将传统特征与频谱信息一起作为网络的输入,实验表明本文算法在语音可懂度和语音质量方面相比于现有的一些算法都有一定的提升。（2）在特征选择方面,研究烟花算法的原理和方法特点,将烟花算法应用于特征选择中,针对传统语音分离中存在的特征区分性不高的问题,提出来改进的语音分离模型,通过加入特征选择用来保证提取特征的有效性。（3）在学习目标方面,提出了基于理想二值掩蔽和理想浮值掩蔽的混合掩蔽,经实验证明在语音质量上相比于理想浮值掩蔽方法PESQ提升了1.6%。本文对以上三个工作做了充分的对比实验,实验结果表明这些方法在语音质量和可懂度上都有较大的提升。