随着“互联网+”和大数据时代的到来,智能终端的语音交互体验广受关注,三维立体声音在实时人机交互中占有重要地位,声源辨别及定位技术被广泛应用于民用和军事领域,具有良好的发展前景。声源辨别定位算法较高的计算复杂度与较大的数据处理规模,制约了其应用的实时性。为此本文设计了声源辨别及定位的并行化方法,基于拾音阵列和GPU并行计算开展了如下工作:(1)以现有声源辨别及定位方法为基础,研究了语音信号预处理的相关技术,介绍了声纹辨别与声源定位的常用方法,分析了基于拾音阵列的声源辨别及定位模型。(2)在传统声纹辨别神经网络的基础上,引入深度学习技术,设计了基于深度信念网络(DBN)的声纹辨别模型,克服了传统神经网络学习能力不足的缺点;给出了针对目标范围内声源辨别的改进方法。(3)在原有TDOA声源定位模型中,将信号的包络分析技术融入时延估计算法中,设计了基于包络匹配法的广义互相关时延估计算法,研究对比了不同声源定位模型的位置解算方法及其性能;利用拾音阵列的位置特性,研究了基于时频掩蔽的目标语音分离和增强方法。(4)针对语音信号处理具有独立性强、方法一致的特点,使用基于CUDA架构的并行计算方法,分别对DBN模型的训练过程、时延估计中的信号分析和信号融合的时频掩蔽算法等操作进行并行化改进,提高了辨别定位方法的处理速度。实验表明,基于拾音阵列的声源辨别及定位的并行化方法能有效实现对目标声源身份的辨别和位置的确定,抗噪性能较好,并行算法的效率有了明显提高,满足实时性的需求。该方法为大数据环境下语音信号的高性能处理提供了一种实现方式。