听者的声学环境非常复杂,房间的墙壁反射和其他说话者的背景噪声会干扰目标语音,从而产生语音失真。关于语音清晰度感知的研究表明,人类听众,尤其是听力受损的人,在嘈杂和混响的环境中难以理解语音。为了获得感兴趣的语音,语音增强算法应运而生。传统语音增强方法有谱减法、维纳滤波法、基于最大似然、最大后验的统计模型法等,新型深度学习增强方法以深度神经网络、卷积神经网络和循环卷积网络三者为代表。近年来,基于深度学习的语音增强任务表现出了卓越的性能,与传统方法相比,各种深度神经网络在公开数据集上都取得了显著的改进性能。本文基于时域卷积网络对单通道语音增强算法进行改进,其研究内容主要可分为以下两个方面:1.对单通道语音增强算法在高混响环境下性能严重下降的问题,提出了基于时域卷积网络的两级语音增强算法。首先,本文设计出第一级语音降噪网络,该网络对混合语音进行语音降噪任务,接着设计第二级去混响网络对第一级网络语音估计进行去混响任务,最后进行联合训练优化语音增强问题。同时将第一级网络的原始混合语音添加至第二级网络以防止第一级网络过抑制导致语音失真,丢失目标信息,实验仿真表明其性能指标在相近模型参数量的情况下明显优于原始单级网络的语音增强系统,在高混响环境下也具有良好的泛化能力。2.在复数网络语音增强领域,受到频域复数网络的启发,对时域信息应用希尔伯特变换得到复数信息,接着在时域进行复数网络的单通道语音增强任务的研究。为此,首先对原始时域卷积网络进行改进,形成适用于复数信息的复数时域卷积网络,同时也研究了实数与复数信息的权值共享方式对性能的最终影响,也对跳连结构应用了注意力机制的改进。实验结果表明,在各个信噪比下,本文提出的算法的性能指标在同样甚至更小的网络参数量下优于当前大部分语音增强网络和传统算法。