语音增强旨在利用信号处理技术及各种算法提高语音的质量与可懂度。作为语音识别系统的前端模块,它在语音交互、电话会议、听力辅助以及军事窃听等场景中发挥重要作用,得到了学术界和工业界的广泛关注。与传统方法相比,基于深度学习的语音增强方法在应对低信噪比以及非平稳噪声方面表现突出,但在一些方面仍然存在不足。深度学习框架下的语音增强方法,通常使用均方误差（MSE）作为优化模型参数的目标函数。但一些研究表明,具有较低MSE分数的增强语音方法并不能保证高的语音质量得分。这是因为语音评价指标都是围绕人耳听觉来设计的,而均方误差却只是计算增强语音与纯净语音相关特征的欧氏距离,这就导致了当前的目标函数不能反映人耳的听觉感受,使得损失函数和评价指标出现失配问题。然而目前语音增强领域常用的评价指标通常是高度复杂且不可微分的函数,无法反向传播,因此这些指标无法直接作为目标函数来优化语音增强模型。针对以上问题,本文提出一种改进的基于评价指标网络的语音增强优化方法。本文首先通过一个评价指标网络来模拟语音评价指标,该网络分别以语音质量感知评估（PESQ）和短时客观可懂度（STOI）两个常用的评价指标作为训练目标,从而得到与语音评价指标等价的评价指标网络。该网络在正确反映评价指标分数的同时,也可以作为优化网络指导语音增强网络的训练,从而解决了损失函数与评价指标失配的问题。其次,本文将语音增强网络与固定权重的评价指标网络串联起来进行联合训练,从而间接实现评价指标指导语音增强网络训练的目的,使得增强网络取得更高的语音质量与可懂度分数。为了验证评价指标网络模型的通用性,本文在频域和时域上分别构建了语音增强网络并通过实验进行论证。实验结果表明,与单纯使用MSE损失函数训练的语音增强网络相比,经过评价指标网络优化后的语音增强网络模型在PESQ和STOI上均有更好的表现。