随着时代的发展,语音在人们的生活中越来越重要,但是现实世界背景下往往会掺入很多背景噪声。这会导致语音质量的下降,因此在这种背景下,语音增强技术成为一个热点。除了传统的语音增强方法,基于深度学习的语音增强方法已经在语音增强领域占有一席之地。它能够通过神经网络直接实现带噪语音到目标语音的映射,避免了传统方法往往需要估计噪声谱的弊端,提升语音增强的效果。基于卷积神经网络的语音增强模型表现良好,但深度神经网络训练需要大量的带标签数据,而在实际应用中可能出现只有少量数据和没有标签数据的情况。此时在训练集上表现良好的深度模型在分布不同的测试集上表现出现明显下降,如何在条件不足的情况下提升模型的泛化性是一个亟需解决的问题。针对上述问题,本文通过结合域对抗训练网络（Domain-Adversarial Training of Neural Networks,DANN）和语音增强方法,提出了一种基于DANN的卷积语音增强优化算法,称为 Convolutional Speech Enhancement Algorithm Based on DANN（CSEDANN）。该算法以卷积神经网络为基础,插入注意力模块并基于DANN的思想进行调整得到新的模型,该模型泛化性相比原来有了明显提高。本文具体的研究内容分为以下几个方面:（1）定义语音增强的优化问题。首先详细介绍了语音质量的性能指标和计算方法,给出语音增强问题的定义。然后详细分析了语音增强问题中的迁移学习问题并对其进行定义。最后给出了整体的语音增强优化问题定义。（2）设计并实现了基于DANN的语音增强优化算法CSEDANN。算法首先采用了卷积层、批量归一化层和激活层级联的结构,构成一个基于卷积的语音增强网络。其次在网络中插入注意力模块提高网络性能。最后基于带注意力的CNN模型构造特征提取器、预测器和域分类器,设计出CSEDANN算法。基于该模型,再给出该算法在两种情况下的训练步骤。算法在针对只有少量标签样本时,先进行预训练然后训练微调。在针对无标签样本时,使用原数据集带标签样本和目标数据集无标签样本进行联合训练。（3）通过实验验证本文提出的CSEDANN算法的有效性。在不同源域数据集和目标域数据集的组合下进行实验对模型性能进行验证。重点关注方法在目标域中的变化,使用SDR对性能进行评估。插入注意力模块后,SDR指标值提升了 0.11dB。CSEDANN在少量带标签样本情况下相较带注意力的CNN语音增强方法SDR指标值提升了 1.54dB,相较冻结微调方法提升0.08dB,相较消融实验提升0.07dB。CSEDANN在没有带标签样本的情况下相较带注意力的CNN语音增强方法SDR指标值提升了1.05dB,说明方法的有效性,证明了本文提出的算法相较于原算法取得了稳定显著的改进。