语音降噪旨在去除带噪语音中的噪声信号同时保留语音信号,从而提高语音质量和可懂度。在日常生活中语音降噪具有广泛的应用,例如手机通话,自动语音识别等。得益于深度神经网络强大的特征提取和建模能力,基于深度学习的语音降噪方法相比传统方法取得了更好的降噪效果,成为了目前主流的研究方向。尽管如此,基于深度学习的语音降噪方法也仍存在诸如噪声残留、模型训练损失函数与语音听感质量失配等问题。本文在总结前人工作的基础上,针对上述两个问题开展研究并提出对应的解决方案。造成噪声残留问题的原因有很多,不合理的网络结构设计是其中之一。目前基于深度学习的语音降噪方法大都采用编码器-解码器（Encoder-Decoder,ED）的网络结构。由于编解码器中间缺乏合理的分离结构,用于解码的嵌入向量不可避免地包含噪声信息,从而影响解码器对语音的预测,加重噪声残留的问题。针对该问题,本文将子空间的思想与深度学习方法相结合,提出了基于子空间投影的时域语音降噪网络（Subspace Projection-based Time-domain Speech Noise Reduction Net,SPTSNRN）。SPTSNRN在编码器和解码器之间添加了基于自注意力的投影模块。该模块能够将嵌入向量分别投影到两个正交的子空间内,得到相互正交的语音向量和噪声向量,进而极大程度地将语音信息与噪声信息分离。相比已有的基于ED结构的基线模型,SPTSNRN取得了明显的降噪性能提升。在SPTSNRN的基础上本文进一步分析了利用预测的噪声信息辅助提升语音质量的可行性,并基于此设计了双阶段语音降噪网络。该网络由SPTSNRN和融合网络（Merge Network,MN）级联而成,其中MN能进一步利用SPTSNRN预测的噪声信息并将其与预测的语音相融合从而获得更好的降噪结果。实验结果表明该模型进一步提升了SPTSNRN的降噪性能,并超越了大多数已有的语音降噪模型。此外,用于训练的损失函数也会影响语音降噪模型最终的降噪性能。目前常用的损失只是简单计算了增强语音和真实语音在时域或频域上的数值偏差,与语音听感质量存在明显的失配。这导致训练得到的模型并不一定拥有最优的语音降噪性能。针对该问题,本文在已有时频损失的基础上,根据人耳的听觉特性提出了感知高相关时频损失函数（Perception-High-Related Time-Frequency,PHRTF）。该损失函数能够自适应地对不同频率分量上的误差进行差异化掩蔽,使得与听感更相关的频率分量上的误差拥有更大的比重,从而让PHRTF损失函数与语音听感质量具有更高的相关度。实验结果表明,相比其它常用的损失函数,PHRTF损失函数与语音听感质量具有更高的相关度,同时用它监督语音降噪模型训练能使降噪语音的听感质量得到明显提升。