語(yǔ)音是人類(lèi)交流的最重要媒介，而多數(shù)語(yǔ)音出現(xiàn)在噪聲環(huán)境之中。聽(tīng)力正常的人可以不受噪聲干擾，而聽(tīng)力障礙者和語(yǔ)音識(shí)別系統(tǒng)都難以處理混有噪聲的語(yǔ)音，這就需要語(yǔ)音分離處理。語(yǔ)音分離是一個(gè)去除語(yǔ)音中噪聲的過(guò)程，也就是將目標(biāo)語(yǔ)音從背景噪聲中分離出來(lái)的過(guò)程。計(jì)算聽(tīng)覺(jué)場(chǎng)景分析（Computational Auditory Scene Analysis， CAS A）理論分析了人類(lèi)完成語(yǔ)音分離任務(wù)的過(guò)程，研究了語(yǔ)音信號(hào)的表示方法，提出了完成語(yǔ)音分離任務(wù)的計(jì)算目標(biāo)。根據(jù)計(jì)算聽(tīng)覺(jué)場(chǎng)景分析，來(lái)完成語(yǔ)音分離任務(wù)將是一個(gè)很有前景的研究方向。目前，根據(jù)計(jì)算聽(tīng)覺(jué)場(chǎng)景分析理論，研究者們將語(yǔ)音分離任務(wù)視為一個(gè)兩類(lèi)分類(lèi)問(wèn)題，對(duì)每一個(gè)語(yǔ)音分離單位（時(shí)間-頻率單元，Time-Frequency unit， T-F unit）做出分類(lèi)決策，判斷其是屬于噪聲的一類(lèi)還是屬于目標(biāo)語(yǔ)音的一類(lèi)。當(dāng)前研究者提出的方法是在分類(lèi)時(shí)使用復(fù)雜特征，并且都是一次處理一個(gè)語(yǔ)音分離單位。而這些復(fù)雜特征的提取是十分耗時(shí)的，加之一次只處理一個(gè)單位，使得整個(gè)過(guò)程的時(shí)間復(fù)雜度變得很高。這就極大地限制了計(jì)算聽(tīng)覺(jué)場(chǎng)景分析方法的應(yīng)用，比如，這些方法就難以應(yīng)用在像助聽(tīng)器這樣的資源受限且要求實(shí)時(shí)處理的設(shè)備中。 基于當(dāng)前語(yǔ)音分離方法的不足，針對(duì)“使用復(fù)雜特征”和“一次處理一個(gè)單位”這兩個(gè)使整個(gè)語(yǔ)音分離過(guò)程時(shí)間復(fù)雜度很高的因素，本文通過(guò)使用簡(jiǎn)單特征，簡(jiǎn)化了特征提取步驟，減小了計(jì)算量，而且我們提出的方法可以成批次地生成計(jì)算結(jié)果，從而加快了整個(gè)語(yǔ)音分離過(guò)程的速度。 除此之外，為了進(jìn)一步提高語(yǔ)音分離系統(tǒng)的分類(lèi)準(zhǔn)確率，我們使用了層疊神經(jīng)網(wǎng)絡(luò)（Stacked Neural Network）模型。該模型可以刻畫(huà)復(fù)雜的函數(shù)關(guān)系，它將多個(gè)簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)模型一層層疊起來(lái)，并將下層網(wǎng)絡(luò)的輸出作為上層網(wǎng)絡(luò)輸入的一部分，這樣上層網(wǎng)絡(luò)的工作可以在下層網(wǎng)絡(luò)工作的基礎(chǔ)上完成，那么隨著層疊網(wǎng)絡(luò)層次的增多，準(zhǔn)確率也能夠逐步地得到提升。同樣，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）模型是一個(gè)包含有多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，它也可以刻畫(huà)復(fù)雜的函數(shù)關(guān)系，但層疊神經(jīng)網(wǎng)絡(luò)具有更高的靈活性，這種靈活性可以使我們?cè)谟?xùn)練過(guò)程中加入指導(dǎo)信息，進(jìn)而影響訓(xùn)練進(jìn)程，可以進(jìn)一步提升語(yǔ)音分離系統(tǒng)的性能。所以，本文使用層疊神經(jīng)網(wǎng)絡(luò)而不是深度神經(jīng)網(wǎng)絡(luò)。 我們將本文提出的方法與已知的性能最好的——基于深度神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的方法在相同的實(shí)驗(yàn)數(shù)據(jù)集上做比較，我們的方法不僅在準(zhǔn)確率方面上略有優(yōu)勢(shì)，而且在處理速度上有大幅提升，可以使整個(gè)語(yǔ)音分離處理過(guò)程實(shí)時(shí)完成。