在使用扩声系统的封闭室内,由于麦克风和扬声器同处于一个环境中,导致声反馈的存在,严重时会产生啸叫。刺耳的啸叫会影响听感和破坏扩声系统的元器件,造成系统损坏。现有的啸叫抑制方法主要有相位调制法（PM）,增益控制法和自适应声反馈消除法（AFC）。相位调制法和增益控制法根据其实现原理会破坏信号的幅值和相位,自适应声反馈消除法受限于自适应算法的性能,存在稳态误差并且需要加入去相关技术减少信号之间的相关性,这些方法会造成声音质量的下降。为了解决啸叫问题,本文提出使用深度学习的方法来研究啸叫抑制问题,通过建立一个有监督的神经网络完成从输入啸叫信号到输出干净信号的映射,以此估计并消除输入信号中的啸叫反馈分量达到啸叫抑制的目的,并尽量减少声音信号的失真。本文对语音和音频信号使用不同的技术进行研究,包括输入特征,学习模型（神经网络结构）,激活函数和优化算法,通过实验结果从中找到了比较合适的组合来构成本文提出的方法,并提高了语音信号的语音质量（PESQ）和语音可懂度（STOI）,对音频信号提高了信号的信噪比（SNR）。本文还与频域自适应算法进行对比,自适应算法存在收敛和稳态误差问题,而深度学习通过大量数据的不断学习,减少输出信号和期望信号的误差,预测时直接输出预测结果,能消除收敛过程中的信号失真。对比实验结果显示了本文的方法处理啸叫信号后对语音质量和可懂度的提升都要高于频域自适应算法处理的结果,而且从时频图上看,本文的方法明显消除了啸叫特征,验证了方案的可行性和有效性。本文提出的方法在声音质量上还有提升空间,后续可以使用符合人耳听觉特性的特征进行研究,如梅尔倒谱系数（MFCC）等,而且时频信号在重构时会产生误差,建立时域的神经网络也是一个研究方向。