在现实环境中,人们感兴趣的语音信号通常会被噪音或其他背景音所干扰,这些噪音对现实语音质量存在严重的损害,也对语音识别模型的性能存在一定考验。为了区分真实语音中的噪音和混合的目标说话人声音,语音分离技术是最常用的方法。近年来,得益于深度学习的发展,语音分离技术取得长足进步,但也仍然有许多难点,对于分离后的语音信号的恢复程度和纯净度仍需要不断提升。因此,基于以上背景,本文围绕独立成分分析、语音视频处理、生成对抗策略和梯度约束策略等相关技术方面对语音信号的分离任务展开研究。在论文的主体部分中,文章以深度学习方法为基础,主要解决的问题是对混合的语音信号进行分离,得到纯净的目标语音。针对以上问题,本论文基于独立性分析和相关性抑制的思想方法,提出了以下几点新的应用方案:(1)本论文以语音信号作为输入,提出了一种基于独立性分析方法的单通道语音分离结构,以及一种基于相关性抑制方法的单通道语音分离结构。在独立性分析方法的结构中,该结构通过分离和重采样模块获得混合信号的联合采样和边缘乘积采样,使用对抗网络的思想不断优化两种采样的相似度,从而保证分离信号之间是相互独立的;在相关性抑制方法的结构中,该结构从最小化分量信号层之间相关性的角度进行切入,在基线模型中融合了一个新的梯度约束损失,它关注信号之间的边缘梯度信息分布的互不干涉性,使分离任务在优化过程中取得更好的效果。(2)本论文以图像结合语音作为输入,提出了一种基于频域的独立性分析方法的语音分离结构,以及一种基于频域的相关性抑制方法的语音分离结构。在基于频域的独立性分析方法的结构中,该结构依据对抗性博弈的思想,利用分离、重采样模块和生成对抗式的优化策略,使得各个被分离信号之间保持相互独立的关系,从而提升分离效果;在基于频域的相关性抑制方法的结构中,通过在频域表征空间内对各个分量信号的相关性进行约束的方法,保证分量信号之间的边缘信息有足够的区分度,使其本质结构不在分离的过程中发生改变,从而提高对含有多种背景声音的视频语音分离任务的精度。