在理想情况下,语音增强系统对于被噪声污染的语音应该完全消除噪声而不降低语音质量和语音可懂度,但是目前的增强系统在去除噪声的同时也会丢失部分重要语音信息。参数再合成语音增强算法综合了传统的语音增强算法和TTS（Text to Speech,TTS）两种方法的优势,并实验证明了这种组合系统在增强性能上的优越性,它通过再现语音信号的所有部分,甚至是那些隐藏在噪声中的语音信息,获得了较高的增强性能。但是该系统也存在一些不足使系统的增强性能受到了影响。本文针对传统参数再合成中的问题进行了相应的改进研究,具体研究工作如下:（1）针对参数再合成语音增强算法中使用单一声学特征进行预测以及非神经网络声码器进行语音合成会影响增强性能的问题,提出一种基于多特征融合的参数再合成语音增强算法,首先通过结合注意力机制进行多种声学特征融合,采用融合后的综合特征代替单一特征预测干净语音声学特征,从而保留更多关于干净语音的信息;在此基础上,使用神经网络声码器Wave Net声码器合成高质量干净语音。最后经过实验对比分析验证了提出的算法能够有效提高增强语音质量。（2）针对于传统的参数再合成语音增强算法中采用信号处理方法人工提取含噪语音的声学特征,以及使用DNN（Deep Neural Networks,DNN）模型预测干净语音的声学特征,导致丢失了原始含噪语音的空间结构和时序重要信息从而影响了增强系统的增强性能的问题,提出一种基于卷积门控循环网络的参数再合成语音增强算法来提升系统性能,模型共有两层,第一层利用卷积神经网络联合注意力机制提取语音特征以保留输入语音的空间结构信息,第二层利用内部注意力双向GRU网络（Bidirectional GRU Inner Attentive GRU,bi GIAG）学习语音中的时序信息并预测干净语音的声学特征,然后通过声码器合成干净语音。最后通过实验证明了所提出的方法能够有效改善原始系统的增强性能。