在现实生活中,语音总是会受到各种各样噪声的干扰。语音增强就是尽可能地从带噪语音中提取出原始的语音,来提高受损语音的质量以及可懂度。近年来,对稀疏表示和字典学习方法的深入研究,给语音增强问题提供了一个有效的解决途径。传统的语音增强方法需要对噪声进行估计和抑制,而稀疏表示和字典学习方法是根据语音的特性来重构原始语音,它能够更好地保留原始信号的特征。本文在详细分析稀疏表示和字典学习的理论知识及经典算法的基础上,提出了改进的小字典学习语音增强算法。本文的主要内容如下:1.介绍了语音增强的研究意义、国内外研究现状、评价方法,分析了基于稀疏表示和字典学习的语音增强算法的基本原理。2.针对传统小字典训练算法在增强语音时导致了语音失真的问题,提出了一种基于子空间域的自适应小字典学习的语音增强算法。在子空间域中利用带噪语音信号的特征值构造过完备的小字典,使得该字典对信号失真和残留噪声具有很好的调控机制。接着通过过完备的小字典对带噪语音的特征值用K-SVD算法进行稀疏表示和字典更新,其中在OMP算法中设置相关性阈值与能量阈值来控制重构阶段和迭代次数,减少重构时间。实验结果表明,本文提出的改进算法在提高增强语音质量的同时减少了重构时间。3.针对传统联合字典学习算法在稀疏重构阶段产生了源混淆的问题,提出了一种基于区分性联合小字典学习的语音增强算法。对纯净语音样本和噪声样本,采用K-SVD算法分别训练出纯净语音小字典和噪声小字典,并将它们联合成一个小字典,接着用LARC算法将分块后的带噪语音测试样本在联合小字典上进行稀疏表示,并且在其中添加字典区分性约束项,使纯净语音字典和噪声字典之间的相关性最小,最后用得到的稀疏表示系数来估计纯净语音。通过仿真实验验证了本文提出的算法的有效性与可行性。