随着移动通信的高速发展,嘈杂环境下的语音交流问题已经变成一个迫切需要解决的问题,如何有效的去除背景噪声对语音通信的影响,日益受到人们的广泛关注。骨导语音技术提供了另外一种抗噪的思路,骨导语音通过人体传导声音振动,最后通过高度灵敏的传感器收集信号。正是由于这种特殊的传导性质,骨导语音不会被空气中的噪声所干扰,能够一定程度的消除噪声影响。但是人体传导和空气传导语音有着不一样的性质,因此骨导语音和气导语音存在着一定的声学差异,骨导语音的高频信息缺损严重,导致骨导语音的听感不佳,清晰程度和辨识程度不高,严重影响在抗噪方面的应用。为了解决骨导语音质量问题,本文提出一种基于生成对抗网络的端到端骨导语音增强方法,它以骨导语音波形为网络输入,输出增强后语音波形,这种端到端模型的增强能够更好利用语音信号的内部信息,去除复杂的特征提取和特征合成语音过程。生成器采取卷积编解码架构,使用多个空洞卷积操作对网络编码的结果进行不同尺度的特征提取、再进行融合,获得了表现力更强的特征描述。为了进一步提高增强结果,还针对性的对网络损失函数作了一定的改进,通过对抗的训练方式提高学习能力和骨导语音增强能力。实验结果表明,该方法和其他的增强算法相比,具有较高的语音感知质量和可懂度,并且还采取了ASR识别率作为语音的评估指标,识别率的提升进一步证实了算法的有效性。