现如今,智能语音设备在普通家庭中逐渐普及,智能音箱、智能家电等智能设备更多地出现在了人们的日常生活当中;与此同时,智能移动设备也逐渐开始配置了更多的语音功能:包括手机、平板电脑的语音唤醒,声纹识别等功能逐渐融入我们的生活。然而,如何利用智能设备中配置的麦克风阵列板来解决噪声场景下远场拾音的降噪问题,仍是学界与工业界有待解决的一大问题。目前,影响当前的智能语音设备使用效果的最重要原因是复杂的噪声场景。室内混响、室内噪声、竞争说话人等等都是组成日常噪声场景的重要因素。对于以上噪声场景,研究性能出色的噪声抑制算法已经成为学界与语音从业者们共同努力的方向。针对不同类型的噪声场景,我们通常选用不同的噪声抑制算法。目前主流的噪声抑制算法包括噪声抑制、回声消除、波束形成等等。其中噪声抑制算法就是将干净的语音信号从麦克风阵列采集到的混有噪声的混合信号中剥离出来。本文正是从噪声抑制算法中的音频信号分离算法切入研究,重点研究了在多声源情况下的基于深度学习算法实现的与基于麦克风阵列的盲源分离算法实现的音频信号分离算法,提出了几种对音频信号分离算法的算法性能与算法架构方面的优化方法。音频信号分离,即从采集到的混有干扰信号的混合音频信号中提取到目标音频信号的过程,其子问题就是语音分离问题。其中,采集到的干扰信号可能是高斯噪声、音乐噪声,也可能是来自其他说话人的语音信号。本文首先从学界主流的基于深度学习的单通道音频信号分离算法与基于麦克风阵列的多通道盲源分离的原理与基本架构开始介绍。之后,基于深度学习单通道音频信号分离算法,本文提出了两种相位补偿的训练目标,通过相位补偿的方式,优化了单通道音频信号分离算法的分离性能。对于基于麦克风阵列的多通道盲源分离算法,本文通过采用传统声源定位算法,对独立向量分析的盲源分离算法进行了初始值优化,从而减少了独立向量分析算法的分离信号耗时,减少了迭代周期数。最后,我们专注于欠定麦克风阵列的音频信号分离算法,提出了结合使用基于深度学习的单通道音频信号分离算法与基于麦克风阵列的多通道盲源分离算法的欠定多通道音频信号分离算法,并对其分离性能进行了实验验证。最后我们通过对比语音音质指标与信噪比指标等,证明了我们提出的分离方法的有效性。