在日常通讯交流和视频会议等应用中,声回声是一个常见的问题,它由传声器和扬声器之间的耦合产生,能够影响到语音可懂度和通话质量。人工智能技术的发展使一些类似智能音箱这样的智能语音交互设备逐渐普及。这类设备设计紧凑,扬声器和传声器距离近,声回声问题更为明显,且由于其一般使用小尺寸扬声器,低频非线性失真往往较高,进一步提升了回声处理的难度。这类设备的语音识别率因回声存在而显著下降,严重影响了用户体验。本论文主要关注解决上述问题的声回声抵消算法,重点研究适用于声回声抵消系统的自适应滤波算法和对残留回声的后处理。论文分析了声回声抵消系统的一般信号模型,总结了常用的时域、频域自适应滤波算法。在此基础上,分析了频域卡尔曼滤波算法的稳态解,发现了在滤波器阶数不足的情况下,其稳态解的等效时域形式与维纳滤波所得最优解不同,即在此情况下该算法的解是有偏的。针对这个问题,提出了一种的频域卡尔曼滤波改进算法。通过改进频域卡尔曼滤波的系数更新式,使算法能够在滤波器阶数不足的情况下有效收敛到最优解。这种改进方法额外增加的计算量较小,确保了其工程上的可行性。通过实录房间冲激响应和语音数据,评测了算法的滤波器系数失调,验证了算法在滤波器阶数不足情况下明显优于普通的频域卡尔曼滤波算法。在扬声器单元较小且扬声器和传声器距离较近的时候,传声器接收到的回声非线性成分较多,单纯依靠基于线性模型的自适应滤波很难有效抑制所有回声,此时需要有效的后处理进一步抑制残留回声。论文讨论了一种结合深度语音生成模型和非负矩阵分解的后处理方法。在变分自编码器模型中引入了时间卷积网络,减少了模型推理时间。客观指标对比表明,该方法的效果优于常用的基于信号回声比估计的回声抵消后处理方法,实用前景较强。最后,论文对全文内容进行了总结,对回声抵消还未解决的问题和未来工作方向进行了讨论。