1.一种多尺度时延采样的单通道语音分离方法，其特征在于，包括以下步骤：S1，对多个说话人混合语音信号提取混合语音特征；

S2，对所述混合语音特征进行分割，并拼接成3D张量；

S3，采用第一双向循环神经网络迭代地对3D张量进行建模，捕获局部特征信息和全局特征信息；

S4，采用多尺度时延采样建模，对第一双向循环神经网络的输出进行不同尺度的时延采样，并采用第二双向循环神经网络捕获不同尺度下的特征信息；

对第一双向循环神经网络的输出进行单一尺度的时延采样，具体过程为：对双向循环λ神经网络的输出进行序列重组和重新分段，对重新分段拼接后的序列沿着块长维度2K进行时延采样，对时延采样后的每个序列ui沿着分块维度R′进行拼接，获取时延采样后重组λ的3D张量hλ，其中2是时延采样率，λ＝0,...,B‑1是采样指数，B代表了堆叠的多尺度时延采样块的个数，K表示重新分段前的块长维度；

S5，将S4中的特征信息进行重叠相加，重叠相加后的结果映射为多个说话人纯净语音的掩码，再将所述掩码与所述混合语音特征进行点乘，得到多个说话人的纯净语音表征；

S6，将每个人的纯净语音表征重构成分离后的语音信号。

2.根据权利要求1所述的多尺度时延采样的单通道语音分离方法，其特征在于，采用第二双向循环神经网络捕获单一尺度下的特征信息，具体过程为：沿着所述hλ的第二维应用第二双向循环神经网络，捕获时延采样后的序列之间的相互关系，然后再通过全连接层对输出的结果进行维度变换，输出FC；对所述FC进行层归一化，再与双向循环神经网络的输出进行残差连接。

3.根据权利要求2所述的多尺度时延采样的单通道语音分离方法，其特征在于，采用不同的时延采样率，重复对第一双向循环神经网络的输出进行单一尺度的时延采样、采用第二双向循环神经网络捕获单一尺度下的特征信息，集成不同尺度下的特征信息。

4.根据权利要求1所述的多尺度时延采样的单通道语音分离方法，其特征在于，所述对λ重新分段拼接后的序列沿着块长维度2K进行时延采样，采用的公式为：λ λ

ui＝[u′[:,i::2 ,:],i＝0,...,2‑1]λ

其中，u′[:,i::2 ,:]表示对u′采用Python中的序列切片，i代表索引序号。

5.根据权利要求2所述的多尺度时延采样的单通道语音分离方法，其特征在于，所述沿着所述hλ的第二维应用第二双向循环神经网络，捕获时延采样后的序列之间的相互关系，然后再通过全连接层对输出的结果进行维度变换，输出FC，具体的公式为：λ

U＝[BiLSTM(hλ[:,:,m]),m＝1,...,2R′]λ

FC＝[WU[:,:,m]+b,m＝1,...,2R′]其中，U是双向循环神经网络的输出，H是隐藏层的输出维度，hλ[:,:,m]是由索引m确定λ的序列，2R′表示分块维度，W、b分别为全连接层的权重和偏置。

6.根据权利要求2所述的多尺度时延采样的单通道语音分离方法，其特征在于，所述对所述FC进行层归一化，具体的公式为：其中，μ(FC)、σ(FC)别表示全连接层输出的均值和方差，z、r是归一化因子，ε是一个极λ小正数，Layernorm代表层归一化，i、j、k分别表示N、K、2R′中的某一特定维度，N是提取的混合语音特征维度。

7.根据权利要求6所述的多尺度时延采样的单通道语音分离方法，其特征在于，所述对所述残差连接，具体的公式为：Output＝hλ+Layernorm(FC)。