语音、图像、文字等作为传承世界文明的载体,极大程度地丰富了世界文明发展史,一直是学术界与工业界研究的重点,随着数字化社会的不断发展,人们希望从这些载体中提取到更有用的信息,当这些信号以矩阵形式进行表示并进行运算时,可以解决生活中的实际问题。本文主要以语音分离为研究背景,针对语音分离过程中矩阵分解效果与效率问题进行研究。首先,由于分离场景的不确定、分离对象为多说话人混合语音信号,存在信号特征表达不充分,分离效果与原语音信号存在偏差等问题;其次,语音分离过程需要更新迭代法则使得矩阵乘积近似表示原矩阵,随着矩阵乘法过程中阶数选择以及更新过程中迭代次数的不同,使得问题复杂度提升,出现计算过程数据量增大,运算过程效率低,运算时间久等问题,无法满足语音分离场景中的实时性要求,限制了语音分离工业化的发展进程。针对面向语音分离场景下目前存在的问题,开展了研究工作,本文主要工作和成果如下:1.针对语音分离过程存在语音特征表达不充分问题,本文基于深层转导式非负矩阵分解（DTNMF）算法,提出迭代更新的DTNMF优化算法。在典型的非负矩阵分解算法基础上,先引入转导式学习思想,在分离阶段把混合语音信号加入到目标函数中,联合训练数据和测试数据生成字典;而后加入深层结构,在迭代更新过程中将基矩阵按层分解,通过每一层分解,能使每一层权重矩阵更精确表达出相应的属性,直到完成预训练过程;优化算法在迭代分解过程中,设定阈值,调整收敛步长,当目标函数收敛结果大于阈值,收敛速度加快,否则保持当前步长。实验结果表明:DTNMF优化方法在保持还原各说话人语音信号效果的基础上,能有效缩短分离时间。2.针对分离过程数据运算复杂、计算量太大、计算时间长等问题,提出了一种面向语音分离的DTNMF并行算法,在矩阵乘法运算过程中,将矩阵按照行列划分或summa算法块划分,使用进程间通信交换数据,协调并行计算过程,加速矩阵计算过程,实验结果表明,基于DTNMF算法的MPI并行算法在分离语音信号预训练及分离过程中能有效缩短分离时间,取得良好的加速效果。3.针对设计的MPI并行算法可能存在的负载不平衡等问题,综合考虑迭代更新过程的数据关联性,设计任务间和任务内多级并行算法。在任务级将分解训练语音得到对应基矩阵的过程作为两个独立的任务并行计算;在任务内部进程级采用把矩阵按行列划分或summa算法块划分;在线程级子矩阵乘法运算过程中,采用生成多线程,通过共享内存交换数据进行子矩阵块计算的加速策略,该算法为第一个实现深层转导式非负矩阵分解的并行算法。实验结果表明,在分离多说话人混合语音信号时,不改变分离效果的前提下,所提出的并行算法时间大大缩短,能够有效提高分离效率。