语音分离是从混合语音中分离出源语音的技术,在现实中具有广泛应用,如日常生活、海洋探测、军事侦听等领域。根据需要处理的混合语音信号数目,可以将语音分离问题划分为多通道语音分离和单通道语音分离。解决多通道语音分离问题的技术有独立成分分析,以及精度更高的核独立成分分析。解决单通道语音分离问题的技术有非负矩阵分解和深度神经网络等。核独立成分分析将核方法应用到独立成分分析算法,在提高算法精度的同时带来了较高的计算复杂度。为了降低算法的计算复杂度,通常使用矩阵的低秩近似矩阵代替原始矩阵进行运算,可以在不损失精度的情况下降低计算复杂度。已有的优化使用了不完全Cholesky分解。但不完全Cholesky分的采样策略复杂,构造低秩近似矩阵的计算复杂度仍然较高,虽然可以降低算法的计算复杂度,但随着问题规模的增大,这种优化的时间和空间复杂度变得难以接受。本文选择了使用Nystr?m方法构造低秩近似矩阵,其采样策略十分简单,可以更加高效的优化核独立成分分析。在改进核独立成分分析的过程中,还发现Nystr?m方法可以用于加速核典型相关分析。由于核独立成分分析使用核典型相关系数来度量独立性,因此针对核典型相关分析的优化工作可以基于核独立成分分析的优化来实现。非负矩阵分解无法在训练阶段利用测试集的信息。一种称为转导非负矩阵分解的算法解决了这个问题,且在单通道语音分离问题中取得了更高的精度。基于转导非负矩阵分解,研究了利用异构平台进行算法实现的工作。使用CPU作为中心,处理程序的逻辑部分和串行的运算,同时使用MIC协处理器作为辅助,处理计算密集型和高并行性的运算,高效的实现了单通道语音分离算法。通过模拟数据和语音数据,验证了改进的核独立成分分析算法在多通道语音分离问题中的效率;通过人物识别和多视角学习的语音识别实验,验证了改进的核典型相关分析算法的效果;同时在语音数据上的实验还验证了基于异构平台的单通道语音分离应用的高效性。