語音是人類交流的最重要媒介，而多數語音出現在噪聲環境之中。聽力正常的人可以不受噪聲干擾，而聽力障礙者和語音識別系統都難以處理混有噪聲的語音，這就需要語音分離處理。語音分離是一個去除語音中噪聲的過程，也就是將目標語音從背景噪聲中分離出來的過程。計算聽覺場景分析（Computational Auditory Scene Analysis， CAS A）理論分析了人類完成語音分離任務的過程，研究了語音信號的表示方法，提出了完成語音分離任務的計算目標。根據計算聽覺場景分析，來完成語音分離任務將是一個很有前景的研究方向。目前，根據計算聽覺場景分析理論，研究者們將語音分離任務視為一個兩類分類問題，對每一個語音分離單位（時間-頻率單元，Time-Frequency unit， T-F unit）做出分類決策，判斷其是屬于噪聲的一類還是屬于目標語音的一類。當前研究者提出的方法是在分類時使用復雜特征，并且都是一次處理一個語音分離單位。而這些復雜特征的提取是十分耗時的，加之一次只處理一個單位，使得整個過程的時間復雜度變得很高。這就極大地限制了計算聽覺場景分析方法的應用，比如，這些方法就難以應用在像助聽器這樣的資源受限且要求實時處理的設備中。 基于當前語音分離方法的不足，針對“使用復雜特征”和“一次處理一個單位”這兩個使整個語音分離過程時間復雜度很高的因素，本文通過使用簡單特征，簡化了特征提取步驟，減小了計算量，而且我們提出的方法可以成批次地生成計算結果，從而加快了整個語音分離過程的速度。 除此之外，為了進一步提高語音分離系統的分類準確率，我們使用了層疊神經網絡（Stacked Neural Network）模型。該模型可以刻畫復雜的函數關系，它將多個簡單神經網絡模型一層層疊起來，并將下層網絡的輸出作為上層網絡輸入的一部分，這樣上層網絡的工作可以在下層網絡工作的基礎上完成，那么隨著層疊網絡層次的增多，準確率也能夠逐步地得到提升。同樣，深度神經網絡（Deep Neural Network）模型是一個包含有多個隱層的神經網絡，它也可以刻畫復雜的函數關系，但層疊神經網絡具有更高的靈活性，這種靈活性可以使我們在訓練過程中加入指導信息，進而影響訓練進程，可以進一步提升語音分離系統的性能。所以，本文使用層疊神經網絡而不是深度神經網絡。 我們將本文提出的方法與已知的性能最好的——基于深度神經網絡和支持向量機的方法在相同的實驗數據集上做比較，我們的方法不僅在準確率方面上略有優勢，而且在處理速度上有大幅提升，可以使整個語音分離處理過程實時完成。