在语音处理的时候,常常会遇到多人同时说话,声音混合在一起的情况。根据有无混音,混合方式可分为瞬时混合和带混音混合。这些混合的声音会降低语音处理的效率和准确率。因此,人们希望能有效且快速地从混合的声音中提取出干净的声音。随着（深度）神经网络技术的快速发展和完善,语音分离领域涌现出很多基于（深度）神经网络的优秀算法。这些方法可以分为三大类:深度聚类、语义分割模型和“编码器-分离器-解码器”架构。通过分析,本文发现这三类模型能抽象成参考信号辅助分离模型。基于这个抽象模型,本文重点研究单通道带混音混合信号的分离。具体地,本文主要贡献包括以下几点。首先,改进了混合数据-干净数据对生成方法。目前带混音混合的开源数据集寥寥无几。常用的生成方法是冲击响应与干净信号卷积。本文在前人的基础上,细化了冲击响应生成方法,并针对带混音混合信号的特点,改进数据对的生成方法。其次,基于参考信号辅助分离的方案,设计神经网络,实现生成参考信号和语音分离两个子目标。参考信号需要无混音并且能表现干净信号的主要特征。根据这些需求,本文在充分考虑带混音混合数据特点的基础上,兼顾任务复杂度,模型大小和运行速度等,提出隔四采样的预处理方案和消除混音,分离混合两个相辅相成的子网络。针对参考信号辅助的语音分离任务,本文提出采样恢复网络,能充分利用参考信号提供的先验和挖掘带混音混合信号的隐藏信息。在损失函数的选择上,为了网络能更好地学习高频部分,抵消下采样的负面影响,提升分离音质,本文给采样恢复网络的损失函数加入高通滤波器,隐式地赋予高频成分大权重。在网络训练阶段,根据每个任务特点,设计专门的训练策略,最大化子网络和组合网络的效率。最后,通过实验验证提出方法的优越性。对比本文提出网络和前人提出的网络:SVoice,Su DORMRFNet,LSTMTas Net,Conv Tas Net,DPRNNTas Net,DPTNet。带混音混合信号由干净信号和冲击响应卷积生成,其中,干净语音信号来自Librispeech数据集;冲击响应分别来自FUSS数据集和虚拟环境下生成的数据集。对比推断速度,本文网络的推断速度更快。对比分离效果,在输入信号SI-SNR较大的情况下,本文提出网络表现略优;在输入信号SI-SNR较小的情况下,本文网络有较大优势。