近些年来,互联网和计算机技术获得快速发展,智能交互逐渐开始改变人们的生活方式,影响人们生活的各个方面。语音作为一种最重要、最常见和最方便的信息交互方式,在人们的日常生活中发挥了非常重要的作用,是智能交互领域的研究热点之一。近些年来,自动语音识别、语音合成等语音交互技术得到研究人员的广泛关注,在一些领域得到了很好的应用。但仍存在一些问题亟待解决,如多目标同时说话会严重影响自动语音识别系统的识别性能等。因此,研究如何从混合语音中提取每一个说话人干净、清晰的语音信号,成为语音技术发展的一个迫切需要。在语音分离领域,除了利用空间信息的多通道语音分离技术之外,单通道语音感知具有便捷、成本低的优点,因此单通道语音分离技术也成为一个重要的研究课题。实现单通道混合语音的分离面临着许多困难和挑战:首先,缺少空间信息,每个目标的语音信号混叠在仅有的同一条语音中,提取困难;其次,语音是一种具有上下文关系的时序信号,如何对较长的语音信号进行合理的时序建模也是一个重要难题;此外,当混合语音中存在背景噪声时,提取的语音通常会伴有一些伪像（宽带噪声）,影响语音的听感和可懂度。鉴于以上三方面的困难和挑战,本文结合深度学习技术提出对应的解决方案,主要内容和创新点如下:（1）提出基于加权-生成因子-自编码器的单通道语音分离方法:该方法利用自编码器（autoencoder）结构获取混合语音的生成因子,并且通过注意力机制（attention mechanism）对其进行加权,为每一个目标说话人的语音学习特定的生成因子,以构造独立的语音信号特征,实现混合语音分离。此外,该方法还在目标函数中引入一个正则化损失强化分离效果,提升语音分离的性能。实验结果验证所提方法的有效性:所提方法显著优于现有相关方法,SDR（source to distortion ratio）、SIR（source to interference ratio）和SAR（sources to artifacts ratio）三个评价指标均大幅提升。在TIMIT混合语音数据集上,相对于现有相关方法,所提模型的SDR、SIR和SAR指标分别提升3.57d B（decibel,分贝）、5.92d B和4.53d B。（2）提出基于双路Transformer网络的单通道语音分离方法:该方法引入自注意力机制和transformer网络,实现每一帧语音信号之间的直接信息交互,达到上下文之间直接建模的效果;同时,引入双路网络思想,对较长的语音信号特征进行全局建模,实现感受野的最大化,充分捕捉上下文中的有益信息。实验结果表明:基于双路Transformer网络的单通道语音分离方法能显著提升语音分离性能。在公开的WSJ0-2mix数据集上,该方法优于目前最好方法,SI-SNR（scale-invariant source-to-noise ratio）指标提升7.4%,达到20.2d B,SDR指标提升8.4%,达到20.6d B。在LS-2mix混合语音数据集上,所提方法也获得较大的性能提升。（3）提出基于映射学习的单通道带噪语音分离方法:针对混合语音中的背景噪声可能会覆盖语音信号的问题,使用映射学习的方法为每一个说话人学习一个特征表示,恢复被覆盖的语音信号,从原理上减少伪像（宽带噪声）的产生,增强所提取语音的听感。在纯净混合语音和带噪混合语音数据集上的实验表明:映射学习的方法能够在不增加计算开销的情况下,恢复出被噪声掩盖的语音信号,从而有效处理语音分离过程中的背景噪声问题。基于语音分离领域的Conv-Tas Net模型,映射学习思想的SDR、SIR和SAR指标分别提升0.53d B、2.01d B和0.54d B。（4）设计并实现基于深度学习的单通道语音分离原型系统:本文采用Matlab、Python等编程语言和Tensorflow、Keras、Pytorch等深度学习框架进行原型系统的设计和实现。实现的基于深度学习的单通道语音分离原型系统包含三个模块:混合语音上传模块、单通道语音分离模块、分离语音播放和可视化模块。