语音信号处理有广泛的应用领域，也有较长的研究历史。本文介绍作者在进行说话人识别、混叠语音信号分离和应用神经网络技术进行语音转换方面的若干研究探索问题。 本文共分六章。第一章，介绍研究背景；第二章，介绍语音信号分析的基本内容；第三章，介绍关于说话人识别的基本内容与特征参数的提取；第四章，介绍利用隐马尔可夫模型实现说话人识别的方法技术；第五章，介绍利用盲信号分离技术分离线性混叠语音信号的理论与方法；第六章，介绍利用神经网络技术进行语音转换的方法技术和初步的实验结果；最后是总结、建议及致谢。 通过理论分析和模拟实验获得了如下认识与成果： (1)特征参数的选取在说话人识别中是非常关键的部分，它的好坏直接影响着识别效果。在全面分析语音信号的众多特征参数的基础上，本文采用并提取Mel倒谱系数(Mel-Frequency Cepstrum Coefficient，MFCC)，进行说话人识别，Mel倒谱系数具有较好的识别性能与抗噪性能。 (2)现有的说话人识别方法有动态时间规整法、矢量量化法、隐马尔可夫模型和神经网络法等，其中HMM已成为目前最佳的说话人识别处理模型。本文建立了自左至右的隐马尔可夫模型，并成功地实现了两个说话人的识别。 (3)在现实生活中的许多语音信号都是混叠信号，运用盲源分离技术分离这些混叠信号有利于更好地识别说话人。本文运用四阶累积量法和独立分量分析技术成功地将线性混叠语音信号分离，再将分离出的源信号用于说话人识别，可较好地识别出说话人。 (4)本文利用BP神经网络来实现不同说话人语音特征的转换，基本上实现了单个词的语音特征的转换。