语音作为人机交互效率最佳的方式,是人工智能领域的热点研究对象,但由于受环境等因素的影响,机器接收到的语音信号容易被严重干扰,导致智能设备难以获取准确的语音信息,进而影响人机交互效率。语音分离是语音增强技术的重要分支,该技术主要针对说话人之间的语音干扰,但由于语音干扰不同于噪声干扰,无法对其进行分布近似假设,因而一直以来都是学者们研究的热点。传统的基于信号处理的语音分离方法在分离过程中常丢失部分有用信息,而以大量语音样本为处理对象的深度学习方法,虽依靠其强大的非线性拟合能力提升了分离语音的质量,但随着信噪比降低,目标语音特征被逐渐掩蔽,分离系统性能受限。基于此,本文主要围绕双说话人混合语音在低信噪比（Signal-to-Noise Ratio,SNR）下的性能提升,并从时、频域两个角度进行了深入研究。首先,现有语音分离方法的训练误差大都来源于定义的损失函数,不仅难以全面衡量语音间差异,而且在低SNR下性能不佳。本文提出频域下的生成对抗网络（Generative Adversarial Network,GAN）联合训练算法来学习语音之间的分布差异,充分利用GAN对抗机制,将生成模型和判别模型分别用于学习目标语音和干扰语音的特征信息,并参考时频掩蔽原理,进一步提出基于时频掩蔽的GAN联合训练语音分离系统。在最优λ取值实验中,取值为100附近时性能达到最好,且以时频掩蔽为输出目标能为训练过程提供更多的分离信息,有利于提升低SNR下分离语音的整体质量。然后,由于频域分离方法忽略了相位信息,在前期时频特征提取时也易丢失部分信息。本文进而构建时域下的GAN联合训练语音分离系统,直接以时域波形为训练对象能最大程度保留语音完整性,考虑到时域波形幅值差异较大,提出以非线性sigmoid函数进行归一化处理。结果表明,时域分离系统仍λ=100时性能最优,具有较好的分离性能,但在频谱恢复上要弱于频域分离方法。最后,在同性混合语音和非同源测试语音上的分离结果表明,同性混合语音由于频率相近,分离效果要弱于异性混合语音,而在非同源语音上本文所提方法仍有较好的泛化性能。同时还采集实际的混合语音进行测试,发现异性混合下的分离效果显著,而同性混合下的分离效果欠佳。