21世纪是智能信息产业的高速发展时期,各种智能音视频会议的出现极大地便利了异地办公或跨区域沟通等活动,回声消除作为保证会议通话质量的重要环节也得到了广泛关注。然而因为传统的基于自适应滤波的回声消除算法存在收敛速度慢、计算复杂度高、双讲检测精度不够高等问题,对非线性声学回声处理能力也有限;传统的单麦克风设备因为采集范围小,空间真实感差等不足也难以满足实际需求。为解决以上问题,本文借助深度神经网络强大的非线性建模以及自学习能力,构建高效的多通道回声消除方法。本文主要研究内容如下:（1）首先针对传统自适应滤波回声消除算法的不足,借助RNN（Recurrent Neural Networks）处理时序信号的优势,构建一种基于LSTM（Long Short-Term Memory）的回声消除网络替代传统的自适应滤波算法,并由单通道扩展到多通道回声消除中,最后通过实验验证了基于深度学习的LSTM多通道回声消除方法可以更有效地消除回声。（2）提出了一种基于ECA-CRN（Efficient Channel Attention-Recurrent Convolutional Networks）的多通道频谱掩蔽回声消除方法。该方法借助多层卷积神经网络构建编解码器,加强网络对不同层次特征的提取能力,克服LSTM结构中全连接层参数冗杂、难以提取某些局部不变特征的缺点,同时在编解码器中融入通道注意力ECA-NET（Efficient Channel Attention Network）,提升网络对重要特征的关注,另外结合自适配归一化（Switchable Normalization）,使网络能根据不同分布的输入信号自适应选择合适的归一化。最后通过和其它方法的结果对比,验证了ECA-CRN方法具有更好的回声消除性能,能够有效提升语音的听觉质量。（3）提出一种基于MP＿U-Net（Magnitude Phase＿U-Net）的多通道频谱掩蔽回声消除方法。该方法采用全卷积结构,改进了ECA-CRN中LSTM模型参数量大以及计算速度缓慢的不足,同时采用幅值和相位相结合的频谱掩蔽算法,有效地避免了单独使用幅值掩膜而产生的相位失真问题,另外添加低模型复杂度的通道注意力模块,进一步提升网络的性能。最后在单讲和双讲下的实验结果均表明,基于MP＿U-Net的方法相较于其它深度学习方法能够取得更好的回声消除效果。