近年来，基于深度学习的音乐源分离（Music Source Separation, MSS）技术取得了显著进展。许多现有的MSS模型通过在频谱图上估计有界比率掩码（ratio masks），并复用混合信号的相位信息来实现分离。然而，在使用卷积神经网络（Convolutional Neural Networks, CNN）时，卷积操作通常在频谱图内共享权重，而未考虑不同频带之间存在的差异性特征，这可能导致信息冗余和性能瓶颈。针对这一问题，本文提出一种新型MSS模型——通道级子带相位感知ResUNet（Channel-wise Subband Phase-aware ResUNet, CWS-PResUNet），该模型将信号分解为多个子带，并为每个音源估计无界复数理想比率掩码（complex Ideal Ratio Mask, cIRM），从而更精确地建模信号的幅度与相位关系。CWS-PResUNet引入了通道级子带（Channel-wise Subband, CWS）特征表示，有效限制了频谱图上的全局权重共享，降低了计算资源消耗。由此节省的计算成本与内存开销，进一步支持构建更深层、更复杂的网络架构。在MUSDB18HQ测试集上，我们构建了一个276层的CWS-PResUNet模型，在人声分离任务中取得了8.92的信号失真比（Signal-to-Distortion Ratio, SDR）得分，达到当前最优（State-of-the-Art, SoTA）水平。通过将CWS-PResUNet与Demucs模型相结合，我们构建的ByteMSS系统在2021年ISMIR音乐混音分离（MDX）挑战赛“有限训练数据”赛道（Leaderboard A）中，人声分离得分位列第二，平均得分位列第五。相关代码与预训练模型已公开发布于：https://github.com/haoheliu/2021-ISMIR-MSS-Challenge-CWS-PResUNet