语音增强在数字信号处理领域占据着举足轻重的地位,能在改善受损语音质量的同时提升其可懂度,在智慧家庭等方向得到了广泛地应用。随着深度学习在计算机领域的普及,基于深度学习的网络模型训练成为了当下实现语音增强的主流方法。目前主要是基于深度学习来搭建网络模型,并结合大量数据运算,在模型中学习从带噪特征映射到增强目标的函数,以解决语音增强任务。然而,该方案仍然存在着语音增强质量不高、模型训练速度缓慢以及模型结果评价指标分数不高的不足。为解决上述问题,本文基于深度神经网络对语音信号增强展开了系列研究。1、文中对基于深度神经网络的语音增强模型展开了研究,分析其网络训练使用的损失函数因没有充分利用语音帧与帧之间的相关性,导致该模型增强效果不够好。因此,在此基础上引入一种优化的损失函数,结合深度神经网络训练模型,使语音信号邻帧之间的相关性得到了充分利用。仿真实验证明,文中所给训练方案的语音增强效果明显优于原训练方案以及传统模型训练方案,极大地增强了语音质量和可懂度。2、文中提出了引用图像领域中的U-Net模型,利用U-Net模型端到端的特点,结合残差网络构建一种改进的模型用于训练语音增强。其创新在于将残差单元引入该模型的编解码块中,也即是将残差网络结构的跨层连接和拟合残差项应用到模型训练中,该方法更有利于恢复目标语音的细节特征信息,增强了模型训练的稳定性,提高了模型的特征提取能力和训练效率,改进后的Residual-U-Net网络模型能够实现更优的语音增强效果。仿真实验表明:与现有的其他几种语音增强方法相比,文中所提出的Residual-U-Net算法能够提高语音质量,减少语音失真,具有一定的降噪效果。综上,本文主要探究基于深度神经网络的单通道语音增强算法。实验结果表明,本文的算法与传统方法相比,能够进一步提升语音的质量和可懂度。最后对本文内容总结并提出了未来的研究方向与趋势。