陈修凯，陆志华，周 宇

（宁波大学信息科学与工程学院，浙江宁波 315211）

（*通信作者电子邮箱zhouyu@nbu.edu.cn）

0 引言

语音是人们日常生活中最常用的一种交流方式，在聊天过程中人们感兴趣的目标语音往往会被一些额外的噪声和表面反射的混响所破坏，所以将目标语音和背景干扰区分开来是一个至关重要的问题。尽管人类能够非常容易地进行语音分离，即能够非常容易地获取自己感兴趣的目标语音。但是经过大量的事实证明，构建一个自动系统来匹配人类听觉系统来执行语音分离问题是非常困难的。Cherry 曾写到：“还没有提出一种能够彻底解决‘鸡尾酒会问题’［1］的算法”［2］。在语音信号领域，他的结论到目前为止仍是成立的。

语音分离问题是盲源分离（Blind Source Separation，BSS）问题中的一个重要组成部分。一直以来语音分离问题是被当作信号处理问题来研究，几十年来，随着机器学习和深度学习技术的飞速发展，语音分离问题被当作成监督性的学习问题来研究。将深度学习引入有监督的语音分离中已经成为了当前的主流模式，而且大幅度提升了语音分离的性能［3-5］。

文献［6］通过深度神经网络（Deep Neural Network，DNN）重构被屏蔽的掩码成分提高了语音分离的质量；文献［7］提出一种频谱变化感知损失函数，通过对频谱变化随时间变化较大的T-F 单元分配更高的权重，提高了语音分离的质量；文献［8］提出了一种基于复数信号逼近的长短时记忆（Long Short-Term Memory，LSTM）网络方法，来解决传统DNN 方法不能充分利用语音信号时间信息的问题，从而提高了语音的分离质量。……