近年来,随着人工智能与移动通信技术的高速发展,可穿戴式设备的研究成为了炙手可热的领域。可穿戴式设备主要有无线蓝牙耳机、手环等种类。人们通过可穿戴式设备可实现人机交互和人际通话。通常佩戴者所处的声场环境中存在大量的噪声、人声等干扰,这会严重影响佩戴者的语音体验感。无线蓝牙耳机中多数采用麦克风阵列语音增强技术来保证其在复杂声场环境下的语音通话质量。而广义旁瓣消除器是麦克风阵列波束形成算法中的经典算法之一。本文主要研究了一种通过循环神经网络训练的语音活动检测来辅助鲁棒广义旁瓣消除器的改进算法。它可应用于无线蓝牙耳机场景下的语音增强,以提升人机交互和人际通话的语音质量和可懂度。同时,为了进一步消除鲁棒广义旁瓣消除器输出信号中的残余噪声,本文还提出了一种改进的后处理技术。本文的主要工作内容如下:首先,传统的广义旁瓣消除器中的阻塞矩阵模块存在着期望语音信号泄露的问题,这会导致算法处理后的语音质量不尽人意。针对这一问题,本文提出了一种利用循环神经网络训练的语音活动检测来控制自适应阻塞矩阵滤波器系数更新的方法。考虑到无线蓝牙耳机通常采用双麦克风线性阵列来接收语音信号,所以本文将循环神经网络的输入方式改进为双通道的语音数据输入,同时设置鲁棒广义旁瓣消除器的上支路为双麦克风输入。实验结果证明了此改进算法能够有效提高自适应阻塞矩阵的性能,减少期望语音信号的泄露,同时防止参考噪声被误消除,从而减少了无线蓝牙耳机场景下的语音失真。其次,广义旁瓣消除器主要用于相干噪声、点源噪声、平稳噪声等噪声种类。然而,经过其处理后的语音信号中还残留有非相干噪声、弱相干噪声和音乐噪声。为了进一步消除鲁棒广义旁瓣消除器输出信号中的残余噪声来保证无线蓝牙耳机场景下的语音通话质量,本文提出了一种循环神经网络语音活动检测器联合比值参数的改进后处理技术方法。相比传统的后处理算法,改进的算法计算量更少。同时它对噪声谱的估计更加准确,能够有效抑制广义旁瓣消除器输出信号中的非相干噪声以及音乐噪声。实验结果证明了所提改进算法的有效性和鲁棒性。