在多媒体的音频数据中,语音所具有的表义功能,使得语音区别于自然界的其他声音,往往包含较为重要的信息内容,并常与个人和社会的隐私安全密切相关。随着云存储技术的飞速发展,使得这种安全保密措施显得尤为重要。因此,如何对语音数据进行隐私保护、如何高效的检索语音数据已成为研究人员关注的热点问题。论文主要利用深度学习网络模型、深度哈希、语音信号处理和语音加密等技术,对密文语音检索系统的关键技术(语音特征提取、深度哈希方案构造、语音加密)开展了研究。主要研究工作如下:1.为有效避免敏感信息泄露的风险,保证云端语音数据的安全性和隐私性,提出了两种4D超混沌语音加密方法。基于4D二次自治超混沌的语音加密方法利用生成的四维混沌序列分别进行帧间置乱、帧内置乱和扩散操作。而基于具有二次非线性的4D超混沌的语音加密算法同时进行帧间和帧内置乱,提高了加密效率。实验结果表明,两种语音加密方法具有较高的密钥空间,可有效的抵御穷举攻击。2.为了改善现有基于内容的密文语音检索方法的特征提取缺陷,解决由音频数据高维度和时序性引起的检索精度较低的问题,提出了一种基于卷积神经网络和深度哈希的密文语音检索方案。首先用4D超混沌加密算法构建密文语音库,然后利用深度哈希技术在Log Mel Spectrogram和MFCC特征的基础上生成深度哈希序列来实现高效检索。实验结果表明,该算法具有很好的区分性,对幅度改变具有较好的鲁棒性,并在各种语音保持操作下均具有很高的查全率、查准率和检索效率。3.为了实现海量密文语音在云环境下的安全高效检索,提高检索精度和检索效率,提出了一种基于LSTM神经网络和深度哈希的密文语音检索方案。该方案主要利用LSTM网络适用于学习时间序列的特点来提取语音深层语义特征,结合哈希函数生成二进制深度哈希码,并使用归一化汉明距离实现检索匹配。实验结果表明,提出的算法具有很好的区分性、鲁棒性、查全率、查准率和检索效率。4.针对语音深度特征提取时CNN只能提取局部特征,以及LSTM学习计算量大、处理时间长,且随着语音长度增加会使信息遗失程度变得非常明显的问题,提出了一种基于CNN-BiLSTM和深度哈希的密文语音检索方案。该方法首先提取原始语音的Log Mel Spectrogram/MFCC特征,依次进入CNN、BiLSTM网络进行模型训练及深度特征学习,并生成深度哈希序列实现检索匹配。实验结果表明,该方法与现有方法相比具有很好的区分性、鲁棒性、查全率和查准率,并对较长的语音具有很好的检索效率和检索精度。