语音增强已经广泛的应用于人机交互领域。为提升语音增强算法在实际应用中的降噪性能与泛化能力,以及解决冗余信息对神经网络造成干扰得问题,本论文将注意力机制与深度神经网络结合用于的语音增强任务中,取得了不错的语音增强效果。本论文主要工作如下:（1）结合高效通道注意力机制的语音增强算法。传统的生成对抗网络的生成器与鉴别器分别最大化和最小化同一目标函数,其损失函数并不能够完全描述估计谱与纯净语音频谱之间的关系。针对该问题本实验引入了相对生成对抗网络,其鉴别器要求纯净频谱比增强频谱具有更高的真实性;而相对生成对抗网络的生成器则反过来要求增强频谱比纯净频谱具有更高的真实性。并且在生成器的损失函数中引入了L1范数。最后在相对生成对抗网络的生成器中引入高效的通道注意力机制,抑制无关语音增强的信息从而提高模型的灵活度与准确率。该模型在Nonspeech-100数据集相较于基线模型下语音感知质量评估（PESQ）平均提升了2.79%,语音短时客观可懂度（STOI）平均提升了0.95%;在Noise X-92数据集下相较于基线模型PESQ平均提升了3.8%,STOI平均提升了2.03%。实验结果表明,该方法在没有增加很大的计算量的情况下提高了模型的性能。（2）带有无参注意力机制的复杂卷积循环网络的语音增强算法。以卷积循环网络为主干,设计了带有无参注意力机制的复杂卷积循环网络。本次实验在下采样模块中用深度过参化卷积层构成的非对称卷积块,代替传统卷积层在特征学习过程中增强水平和垂直方向的特征,从而获取更多可学习的参数,提高模型的表达能力;加入带有无参注意力的残差学习模块,来抑制冗余信息;通过Soft Pool模块来完成下采样工作。在上采样模块中将深度过参化卷积替换为反卷积用于上采样,并去掉Soft Pool模块。在中间层用双向门控循环单元在处理语音时序信息时获取双向信息。最后在跳跃连接中加入特征融合增强模块,弥补上下采样过程中的信息丢失。本模型在没有增加多少计算量的情况下提高了模型的精度。相较于最新基线模型,本实验模型在Voice Bank+DEMAND数据集下PESQ提升了0.15（5.49%）,CBAK提升了0.14（4.34%）,COVL提升了0.38（11.80%）,CSIG指提升了0.57（15.28%）。实验结果表明,对于实际语音增强具有较高的理论意义和实用价值。