如今,人工智能正在深刻影响和改变着我们的世界,智能人机交互的发展及应用极大程度上提高了我们的生活质量。语音合成技术能赋予机器像人一样自如说话的能力,是智能人机交互中非常重要的一环。近十年,基于神经网络的语音合成系统可以更快速地合成高质量音频,逐渐成为了主流。在汉语作为母语的同时,英语也逐渐成为我们的第二语言,中英文混读现象日益常见,中英文跨语言语音合成需求越发迫切。然而,主流的语音合成模型往往仅支持单语种合成,在合成中英文交替出现的跨语言文本时通常会出现难以接受的错误。现有基于统一表示或语言编码的跨语言语音合成方法存在着模型鲁棒性低和合成语音不自然等问题。为此,本文从模型的鲁棒性和合成语音的自然度出发对中英文跨语言语音合成方法展开研究,具体研究工作如下:为了提高使用单语数据训练的跨语言语音合成模型的鲁棒性和合成语音的自然度,本文在Tacotron模型基础上提出了多策略融合的跨语言声学模型CSTacotron。首先,模型的输入被细化为音素编码、语调编码和语言编码三部分,以缩小输入音素空间并实现信息的解耦。其次,在模型的多个位置引入语言编码和说话人编码来更好地建模跨语言文本的局部上下文信息并提高合成语音的音色相似度。接着引入均值对齐损失辅助GMMv2b（Gaussian Mixture Model version2 bias）注意力的训练以提高跨语言语音合成的鲁棒性。最后,为了解决跨语言任务采用“预训练-微调”训练策略时存在的灾难性遗忘问题,首次引入持续学习方法以提高单语种数据微调时的跨语言语音合成效果。实验证明,本文提出的跨语言声学模型相比基线方法在主观和客观评测标准上都有明显的提升。为进一步改善跨语言声学模型合成语音的表现力,本文从韵律角度着手,提出了基于图神经网络的跨语言语音合成方法。从中英文层级韵律中提取层次韵律图,引入图神经网络编码文本的韵律信息,可以更好地建模局部上下文信息。本文对比了两种引入图神经网络的方式:图辅助编码器和基于图增强编码器的GCS-Tacotron。实验证明,所提出的基于图的韵律建模方式一定程度上提高了合成语音的自然度,更好地建模了语言切换时的韵律停顿。其中,GCS-Tacotron不仅提高了合成语音的自然度,而且将模型训练收敛速度提升了1.5倍。