语音增强的目的是从被噪声污染的含噪语音中尽可能地提取出内容清晰、语义完整的原始纯净语音。语音增强算法作为人机交互、语音通讯等系统中的关键预处理模块,对系统性能的好坏起着至关重要的作用。随着语音技术越来越广泛的应用,对语音增强算法也就有了更高的要求。但是,由于噪声环境的多样性,传统基于全卷积神经网络的时域语音增强算法使用没有明显可辨性的时域特征作为训练目标,很难将噪声与纯净语音区分,造成语音增强算法在不同的噪声环境下没有良好的泛化能力。为了解决这一问题,本文对传统基于全卷积神经网络的时域语音增强算法进行研究和改进。本文主要研究内容如下:(1)通过查阅文献、整理资料,以及对语音增强领域的经典论文和前沿论文的阅读,总结了语音增强相关的信号处理知识。了解语音增强技术的发展历史和未来主流的发展方向。探究了全卷积神经网络的核心思想和结构,对主流的全卷积神经网络语音增强算法进行了深入的研究,并分析其优势和缺点。(2)针对传统基于全卷积神经网络的语音增强算法使用没有明显可辨性的时域损失,导致增强语音出现失真或存在残留噪声,且损失函数的设计没有考虑语音的谐波结构,会出现低信噪比环境下语音增强失效的问题。本文提出了一种基于频域谐波损失的时域语音增强算法,该方法使用谐波噪声模型(HNM)对纯净语音进行建模,将建模后得到的频域中的HNM分量作为损失函数中的训练目标。通过最小化频域谐波损失函数训练时域语音增强全卷积神经网络(FCN)。实验结果表明,提出的改进算法,在低信噪比条件下可以有效去除谐波之间的噪声,使语音质量和可懂度显著提高。(3)为了使时域语音增强算法在各种噪声条件下都有良好的去噪效果。针对本文提出的基于谐波损失函数的时域语音增强算法(FCN-HR),存在使用固定语音残余比例系数训练出的增强模型对不同噪声环境自适应能力不强的问题。首先对FCN-HR算法进行了参数寻优,找到不同信噪比下的最优参数模型。然后将最优参数模型与信噪比感知分类器相结合,提出了一种基于信噪比感知的时域语音增强算法。实验结果表明,提出的算法对不同的噪声环境有良好的适应性,在各种信噪比条件下均能取得令人满意的去噪效果。