语音是最常见的一种沟通方式,为了使机器代替人工,开发人员提出了语音识别技术,使得机器能够代替人脑来将语音转化为文本。但是带噪环境下语音识别技术的准确率会显著下降,所以往往需要使用语音增强技术作为其前端先进行处理。本文面向航空管制场景,探索了复杂噪声环境下的轻量级语音增强方案。研究了可以在不同噪声环境下自适应地学习该种噪声特征、并有针对性进行降噪的算法。由于提出的算法均基于卷积神经网络,所以将不同的前沿轻量级卷积层引入模型中,替代原来的普通卷积网络层,来实现模型压缩,便于更好地应用于嵌入式等小型设备中。此外,还将提出的网络模型应用到实际项目中。总的来说,本文贡献如下:（1）研究噪声自适应语音增强算法。为了有效提高模型的泛化性,使得模型能够在有限噪声数据集下训练,在无限种噪声数据集中测试仍能取得良好的降噪效果,考虑将压缩激发模块（Squeeze-and-Excitation）添加到由多个卷积神经网络层构成的编码器-解码器中。这样,模型可以自适应地过滤噪声特征,保留语音特征,从而有效应对不同的噪声,在复杂噪声条件下取得不错的性能。（2）对压缩激发模块进行变形和改造,使得模型从不同角度进行自适应。为了充分利用音频信号中不同维度的特征信息,对压缩激发模块进行变形操作。原始的压缩激发模块是为每个通道分配一个权重,本文新提出了时频压缩激发模块,为每个时频点特征向量分配一个权重。并将这两种不同维度的压缩激发模块以多种方式结合起来,以最大化利用音频信号中的特征信息。（3）为能够将模型有效应用于管制通话设备等小型嵌入式设备中,使用前沿轻量级卷积神经网络代替原本的普通卷积神经网络,在保持降噪性能只产生微小下降的前提下,有效减少模型的参数量,从而提高模型的可应用性。（4）为了更好地实现语音增强模型落地以及可视化展示,开发了一套原型系统,并将所提出的算法集成进去,用于实时展示。