本申请公开了一种多声源融合场景的人声检测方法及装置，本申请提供的多声源融合场景的人声检测方法，通过利用第一语音帧样本与第二语音帧样本分别作为正样本和负样本，通过以上的正样本与负样本进行MFCC特征特区以及语谱图生成，然后利用生成的语谱图对深度学习网络单元进行人声MFCC特征识别训练，再利用深度学习网络单元输出的人声MFCC特征，对循环神经网络单元进行人声检测训练，以提高神经网络对多声源环境下的人声检测能力，构建人声检测模型，以便通过构建的人声检测模型对待检测的多声源声音信号进行人声检测，从而获得多声源声音信号的人声检测结果，解决了现有的多声源人声检测难以准确检测出人声的技术问题。