语音通信中引起语音质量下降的原因有很多,比如语音信号采集过程中会因为背景噪声的出现而导致部分语音信息被淹没、破坏,从而降低语音信号的质量,再比如,语音信号传输过程中为了降低传输速率而采用压缩编码技术也会导致语音质量的损失。除此之外,语音信号在各种处理环节中也可能会有一定程度的质量损失。近几年基于深度学习的各种算法逐渐得到研究,其中生成对抗网络技术在多媒体信号处理领域展现出了优异的性能。因此,针对于语音通信过程中的语音质量损失问题,本文提出了一种基于生成对抗网络的语音质量提升方法,并在实际系统中进行了应用。论文首先提出了一种解决语音传输过程中压缩编码及加解密引起语音信号质量下降的方法。该方法利用条件生成对抗网络强大的学习能力来对编解码后的语音以及加解密后的语音进行质量提升。通过搭建生成器G与鉴别器D网络,并引入在生成器G中引入跳跃结构指导生成增强数据,使用鉴别器D中特征向量输入生成器G中作为附加信息构建条件生成对抗网络。使用编码器编码前语音和编码后的语音组成第一组数据集,使用语音加密前语音和解密后的语音组成第二组数据集,使用语音加密前语音和经过语音加密后、编码器编解码后,再经过解密后的语音组成第三组数据集,利用三组数据集对GAN模型进行训练,用训练好的GAN模型对三类质量下降的语音进行质量提升。使用客观语音质量评价指标来证明方法的有效性。针对背景噪声引起的语音质量损失问题,论文提出了一种基于背景噪声分类的语音增强生成对抗网络模型。该模型利用神经网络设计一种背景噪声分类器,分类器通过提取带噪声的语音的Mel频率倒谱系数,利用卷积神经网络对各类噪声背景进行分类,并将分类好的带噪语音进行标记,为后续不同种类背景噪声的语音增强网络做好前置准备;对已有的生成对抗网络中的最小二乘损失函数进行了优化,优化后的函数通过超参数ξ来控制影响7)1范数正则化的权重。通过超参数ξ来不断调整增强语音与干净语音之差的绝对值,解决了训练造成过拟合化引起的生成语音质量下降的问题;对所需完成的语音增强任务设计了新的生成对抗网络模型,新的生成对抗网络模型由多个生成器G与一个鉴别器D组成,尽量在不影响性能的前提下对模型进行简单化。其中,每个生成器G对一种背景噪声的带噪语音进行增强,鉴别器D用于判断多个生成器G传输来的增强语音与真实语音类型。通过与维纳滤波法、基于深度神经网络的语音增强算法和基于生成对抗网络的语言增强算法进行对比分析,基于背景噪声分类的语音增强生成对抗网络模型在低信噪比环境下具有更好的泛化能力,证明了模型的有效性。最后,介绍了实际应用中端到端语音加密终端,并将加密终端与配备两个模型的Jetson Nano开发板连接进行功能实现,并通过主观语音质量评价标准来对增强后语音进行质量评价。