随着通信技术的飞速发展,语音增强技术的研究越来越受到人们的关注,语音增强主要是对带噪语音进行处理,从而达到改善语音质量,提高语音的清晰度、可懂度,易于被人接受的目的。它在语音识别与编码、语音通信等领域中有着广泛的应用。而语音在通信过程中不可避免地会受到各种噪声的干扰,使最终接受者无法接收到纯净的语音信号,因此对语音增强技术的研究具有非常重要的理论意义与实际价值。语音增强的算法多种多样,本文针对近几年比较流行且增强效果比较好的经验模态分解方法进行了研究。它是一种新的、基于信号局部特征的和自适应的信号处理方法,因而具有高效性,它特别适用于分析大量频率随时间变化的非线性、非平稳信号。具有重要的理论价值和广阔的应用前景,目前已在语音增强领域中得到了广泛的应用。本文首先详细阐述了语音增强的相关理论,及经验模态分解的基本原理和算法步骤,总结了当前存在的四个问题：曲线拟合问题、端点效应问题、模态混迭问题、筛选终止条件问题,并对基于EMD方法的语音增强进行了深入的研究与实现。在此基础上,针对EMD中存在的端点效应问题,研究了其改进算法极值域均值模式分解,并提出了基于极值域均值模式分解的语音增强的方法。通过实验证明了极值域均值模式分解方法可以消除局部数据中隐含的直流分量,能够有效地抑制在EMD方法中存在的端点效应问题,明显提高带噪语音的信噪比。针对增强后的语音中存在音乐噪声的问题,本文提出了将EMMD与MMSE相结合的语音增强方法,通过理论分析和实验验证,表明该算法在低信噪比的条件下,对于带噪语音可以在提高信噪比的同时,有效的改善语音信号的清晰度和可懂度。通过在0dB、-5dB条件下,与谱减法、基于EMD方法的语音增强、基于EMMD方法的语音增强进行对比,表明该方法在对带噪语音的处理方面具有一定的优越性。