语音是人们交流信息常用的媒介之一,在实际环境中,其不可避免的会受到噪声或其它语音等的干扰,进而影响交流的质量,因此语音分离技术应运而生。语音分离就是指从混合语音信号中分离出各路语音源信号的过程,其在语音识别、说话人识别和音频检索等语音处理系统中起着重要的作用。本文致力于研究欠定条件下的语音分离问题,具体地说是单通道语音分离问题。本文的主要研究工作分为以下几个方面:(1)本文给出一种将相位敏感性时频模板和深度神经网络相结合的单通道语音信号分离方法。该方法的网络输入为混合语音信号的短时傅里叶变换幅度谱特征,网络目标输出为给出的相位敏感性时频模板,其中加入了语音源信号和混合语音信号的相位信息。训练阶段,用网络来学习给出的相位敏感性时频模板;在测试阶段,用网络的输出和混合语音信号相位来重建语音源信号。相比于传统的基于深度神经网络的单通道语音分离方法,该方法给出了相位敏感性的时频模板,通过引入语音信号的相位信息,可以更好的完成语音分离。(2)考虑到复数时频模板可以同时恢复语音信号的幅度谱和相位谱,本文给出一种将复数时频模板同深度神经网络相结合的单通道语音信号分离方法。该方法使用混合语音信号幅度谱作为网络的输入特征,复数时频模板作为网络的目标输出。在训练阶段,由于该模板计算较为复杂,直接用深度神经网络预测不够准确,本文对目标函数做了改进,在其中加入了相位约束,给出了具有相位限制的目标函数,提高了相位估计的准确性。在测试阶段重建语音源信号的过程中,使用估计出的语音源信号相位。相比其他方法,该方法准确的估计出了语音源信号相位,有着更好的分离结果。本文在TSP语音库上进行了一系列计算机仿真实验,将给出的两种方法同现有的一些算法做了比较,实验结果表明本文给出的方法有着更好的语音分离性能。