随着数字多媒体技术的快速发展,语音信号凭借自身占用空间小、易于编辑和传输等优点成为人们日常生活沟通的一种重要方式。由于语音具有易编辑特性,这导致语音很容易被篡改而被滥用于犯罪活动。因此,研究语音检测技术非常有必要。近些年来,合成语音技术在深度学习的背景下不断有新的突破和发展,以语音合成、语音转换和录音重放等形式的攻击使得自动说话人验证(Automatic Speaker Verification,ASV)系统表现较为脆弱,现有检测技术很难有效区分出高质量的合成语音和自然语音。因此,合成语音检测技术逐渐受到相关研究人员的广泛关注。本文针对基于人工智能的合成语音检测算法进行了研究,主要工作总结如下:(1)针对合成语音检测分类器设计还不够成熟的问题,本章提出了一种基于门控循环单元(Gate Recurrent Unit,GRU)与支持向量机SVM(Support Vector Machine,SVM)的合成语音检测算法,新提出的GRU-SVM模型是一种专门针对合成语音检测的分类器。GRU对于语音时序数据具有较好的处理能力,再通过SVM回归GRU的隐藏层输出使得检测效果更佳。我们使用了ASVspoof2019数据库以及通过Waveglow算法合成的自建语音库进行实验。同时,检测过程使用了梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)特征参数作为检测特征。实验探究了不同维数的MFCC特征对检测结果的影响,从而选出了合适的特征维数进行后续实验。GRU-SVM与其他同类型的分类器相比,检测率在两个数据库中分别可达到99.99%和99.34%。另外,等错误概率(Equal Error Rate,EER)也能达到0.03%和0.15%。实验结果表明,该模型能够有效区分自然语音与合成语音。(2)针对传统MFCC特征在合成语音检测中存在语音高频成分利用不足,语音信息表征不完整等问题。本章通过研究传统倒谱系数特征提取过程,设计了一种针对合成语音检测的专用特征。算法使用循环神经网络的另一个变体结构长短时记忆网络(Long Short Time Memory,LSTM)作为改进特征的工具。LSTM网络结构并不直接参与MFCC特征的训练,而是通过学习能量谱特征得到一组权值,再使用这组权值对Mel滤波器组进行改进增强,形成一个新的特征LSTM-MFCC。本章实验使用高斯混合模型(Gaussian Mixture Model,GMM)训练特征,并采用GMM打分系统在两个数据集上进行验证。LSTM-MFCC相比于其他特征,检测率可达99.84%和99.19%,EER达到0.18%和0.89%。综合其他性能比较,提出的LSTM-MFCC特征检测算法明显优于其他合成语音检测算法。