在实际中，语音信号常常会因为回响混响、环境噪声的存在而受到干扰，使得麦克风接收到失真的带噪信号。语音信号的失真不仅会影响语音的可懂度，也会影响语音处理系统的整体性能。语音增强作为语音信号处理的前端，其目的在于从被各种噪声及各类干扰污染的带噪语音信号中恢复出清晰可懂的目标语音信号。此种技术不但能为人耳提供更好的听觉体验，同时也能为语音识别等技术奠定基础。在复杂的声学环境中，传统的基于单麦克风的语音增强往往性能有限，利用多麦克风带来的空域信息进行语音增强的方法可以带来更高性能提升。　　本文考虑到在传统的多麦克风语音增强系统中，存在导向矢量估计不准确的问题，从而约束了语音增强性能，故对此展开研究。本文通过预测时频掩码进行导向矢量估计的方法，提升导向矢量的估计准确度，进而提升语音增强性能。　　论文关于时频掩码预测的研究，采用的是基于深度神经网络的时频掩码预测方法。本文借鉴深度学习在图像上的成功应用，针对单通道语音增强问题，设计出相应的训练特征和网络结构进行训练。实验证明，深度神经网络具有比较好的噪声学习能力，基于深度神经网络的时频掩码预测方法可以预测出纯净语音信号的时频掩码矩阵，其不但可以用做单通道语音的增强语音的恢复，也可以用于多麦克风子系统的导向矢量的估计。　　此外本文在时频掩码预测的过程中，针对不同噪声的性能差异，通过引入噪声分类，对不同类型的噪声分类识别处理，在训练阶段针对不同类型的噪声分别训练。实验表明，这种做法可以提升网络模型的时频掩码预测准确度。　　通过基于深度神经网络的预测时频掩码的方式进行导向矢量的估计，相比较于传统的导向矢量估计方法，其摆脱了对平面波传输假设及麦克风阵列几何信息等先验知识的依赖。实验表明，本文提出的多麦克风语音增强的方法可以有效提高多麦克语音增强系统的性能。