随着计算机技术的发展,语音处理的效果得到了显著的提升,语音分离作为语音处理的基础任务之一,受到了广泛关注。探索结合音频指纹检索的音乐分离方法,具体工作有基于U型网络架构的分离模型的改进和基于背景音乐音频指纹检索的分离再优化。为实现音频指纹检索构建了音频指纹数据库。首先提出了一种基于深度学习的端到端的音乐人声分离模型。该模型基于U型网络的架构进行设计,分为编码器部分和解码器两部分,这两部分采用了时序卷积残差模块,该模块的第一部分是一组在时域上的波形一维卷积滤波器,用于捕捉语音信号中不同的局部信息,对应于不同的周期信号分量;该模块的第二部分采用的是残差结构,用于支持基于深层网络的特征提取。在公开语料集MUSDB18数据集上的实验结果表明提出的方法在一些方面较传统的基于时频谱图的方法和常用的基于波形的方法具有优势。此外,还通过引入二值掩蔽作为后处理模块,显著提升了特定音乐成分的分离效果。在使用U型网络结构实现音乐分离的基础上,又提出了使用背景音乐音频指纹检索技术来进一步优化音乐分离效果。音频指纹检索模块首先构建了音频指纹数据库,通过landmark指纹构建算法将音频的特征转化为指纹,用于再分离阶段背景音乐指纹数据库的构建和匹配。具体过程如下:利用U型网络分离出来的背景音乐,在纯净的背景音乐库中进行检索,将检索到的背景音乐用于原始音频的再分离;再分离阶段对检索出的音频片段和原始音频进行时间和音量上的对齐操作,并用混合音频的波形减去检索出的音频片段,可以得到较为纯净的人声。通过实验结果表明,提出的基于音频指纹检索的音乐再分离策略能有效提高语音分离效果,分离效果差距较大的模型引入检索再分离模块后,分离效果差距明显缩小,充分验证了基于音频指纹检索的音乐再分离策略具有很好鲁棒性。本课题主要的贡献有以下两方面:一是提出了一种新的音乐人声分离模型,在某些方面取得了较突出的效果;二是创新性地使用了音频检索技术来进一步优化音乐分离任务,实现了更好分离的效果。