语音转换起到了丰富语音风格的作用,被广泛用于配音、网络直播等场景,是当今语音领域的研究热点。语音风格包括声纹风格、情感风格等类型。语音转换旨在将源语音的风格转换成目标风格。近年来,语音转换取得了一定的发展,但还存在诸多尚未解决的问题,如:声纹转换方面,目前大多数转换算法源说话人信息与语意内容的分离不彻底,内容信息与目标说话人信息的融合效果不佳,导致转换语音的说话人相似度差,无法做到零样本学习转换,即无法以训练集外的说话人为目标进行转换。情感转换方面也面临着情感与内容信息难分离的问题。针对上述难点,本文基于深度学习的方法在声纹转换和情感转换方面开展研究,主要工作如下:（1）提出了一种基于通道注意力机制的零样本学习声纹转换算法。所提出算法利用具有通道宽度约束的通道注意力在内容编码器模块形成了一个可学习的瓶颈,减少内容编码中的冗余,进行内容信息与源说话人信息的解耦。另一方面,该算法在解码器模块利用通道注意力机制将内容特征映射到目标域上,实现内容信息与目标说话人信息的特征融合。同时,为了提升了说话人编码效果,算法在训练阶段将说话人编码器与分类器级联。实验结果表明,所提出算法生成的语音在说话人相似度和语音自然度方面都优于基线模型。（2）提出了一种基于矢量量化进行解耦的情感转换算法。该算法在内容信息与情感信息的解耦方面,利用矢量量化方法,通过有限的符号对内容信息做离散化表征去除冗余的情感信息,实现了更好的解耦效果。上述矢量量化方法可能导致明显的内容损失,该算法针对该问题设计了一种时频域随机重采样模块对数据进行预处理,以制造平行情感语料辅助模型进行有监督训练。实验结果表明,所提出的算法具有更好的情感转换效果,并能生成高质量的转换语音。综上,本文针对语音转换中的特征解耦和融合问题提出了新的方法,起到了丰富语音风格、提升语音交互自然度、支撑大规模语音数据集构建的作用,为语音领域的进一步发展提供了参考。