真实场景中下载、监听、收集到的音频数据属于多源异构数据,具有多变性、复杂性、多层次性等特点,可能来源于宽带、窄带、近场、远场等不同的声学条件,并且包含不同种类的音频,如:音乐、噪声、音乐背景语音等等。音频数据流的时长通常较长,并且含有未知数量的说话人。想要自动获取这类音频数据流的音频类型分布、说话人分布等信息,需要研究性能较高的多源语音的自动切分与聚类方法作为支撑,将输入的音频数据流划分为不同声学类别的语音片段,即多源语音的音频类型切分问题。对检出的有效语音部分进一步切分出不同说话人,并将区分后的说话人语音片段聚类合并,即说话人分割聚类问题。针对多源语音的音频类型切分问题,本文通过数据预处理和规范化标注规整了用于模型训练和测试的多源语音音频数据集,并选取开源语音数据集进行训练集的扩充。通过基于能量阈值的静音检测去除掉静音段后,采用语音、音乐、噪音分类器与语音、音乐背景语音分类器级联的方式,完成音频切分。本文采用K-Means特征提取以缓解语音、音乐背景语音分类器在多源语音域外测试集上鲁棒性差的问题。由于K-means特征与语谱图特征在语音、音乐背景语音分类中表现地各有优劣,提出K-means特征与语谱图特征的特征融合的方法,实现基于特征融合模型的语音、音乐背景语音分类。在测试集上,特征融合模型相比单用语谱图特征训练的模型提升了 4.36的召回率,相比K-Means特征训练的模型提升了 2.53的召回率。针对说话人分割聚类问题,对比了三种深度学习的嵌入特征提取方法,分别为基于全连接神经网络的嵌入特征提取,基于门控循环单元的嵌入特征提取,基于残差神经网络的嵌入特征提取。为解决传统聚类方法无法自动确定聚类簇数的痛点,选用UIS-RNN为聚类模型,并与K-Means聚类、谱聚类等传统聚类方法进行了对比实验。实验表明,基于UIS-RNN的后端聚类方法相比K-Means聚类提高了 6.64的DER（Diarization Error Rate）,相比谱聚类提高了 1.6的DER。为实现多源语音的自动切分与聚类,在完成音频切分与说话人分割聚类模块的基础上,本文将多源语音的音频切分作为说话人分割聚类模块的预处理部分,定位到语音片段后,再使用说话人分割聚类模块进行说话人的切分聚类。实验表明,该种结构的多源语音自动切分聚类算法相比单纯使用说话人分割聚类算法在广播语音数据集上的性能提升了 17.11 的 DER。