现实环境中,语音在传输的过程中往往会受到外界噪声的影响而造成语音处理产品执行非期望的指令。为了减小或消除语音中混有的噪声,就需要对带噪语音信号进行增强处理,使其恢复出原始信号,最终提高语音的通信质量。语音增强处理方法常分为时间域内的消噪法、变换域内去噪法以及其它方法。其中,由于变换域中语音分量和噪声分量之间的特征信息相对于时域中信号分量会产生较大的不同,因此更有利于对带噪语音信号中的噪声消除,使得变换域语音增强算法成为语音增强技术中的研究重点。首先,本论文介绍了先验信噪比的估计问题,通过在直接判决算法基础上引入一个动量项,提出一种新的先验信噪比估计算法,提出的方法提高了直接判决算法跟踪瞬时信噪比的能力,减小了延迟。之后提出的两步噪声消除算法虽具有较好的降低直接判决方法中的延迟问题,但却削弱了消除背景噪声的能力,并且对于直接判决方法中延迟的消除情况仍存在不足。为了减小上述问题对算法性能的影响,论文又提出了一种改进的两步噪声消除算法,其通过将实际语音与其估计值之间的误差补偿到输出信号,从而改善算法的增强效果。其次,论文在采用拉普拉斯模型来近似实际语音模型的基础上进行语音增强算法的研究,给出了拉普拉斯-高斯联合分布下对实际语音信号做出的两种(MMSE和ML)估计式。分析了拉普拉斯模型因子对该类算法性能的影响,并在以上分析的基础上推导出一种新的模型因子估计形式,新形式考虑了拉普拉斯模型的先验假设条件,能够获得更为准确的模型因子估计值,有效提高相应算法的性能。随后讨论了最小值统计跟踪算法的缺点和优点,针对其存在的不足,分别从考虑高斯和拉普拉斯两种模型对原始算法进行改进,获得基于语音模型的最小值统计跟踪算法,仿真实验验证了改进算法具有较好的性能。再次,论文给出了本文主要提出的耦合模型算法。讨论并分析了变换域中噪声分量和语音分量的实际模型分布情况,并得出实际语音的统计分布并不能由单一的模型参数来准确估计,而是在不同时刻和不同频点上具有不同的统计分布。综合以上分析,提出采用耦合模型的形式来取代以往单一模型近似实际模型的方式,最终为基于语音统计算法的研究提供了一个更为理想的研究背景。基于以上分析,本章节通过耦合高斯和拉普拉斯模型来介绍耦合性算法的优势,并相应的提出几种耦合条件下的语音增强算法来验证所提思想的可实用性。最后,进行了总结,并对今后的研究状况做出分析。