随着人工智能的深入发展,语音技术的智能化也取得了飞速的进步,而语音增强技术作为智能语音领域的必需环节,被广泛的应用于助听器以及智能语音助手等场景中。由于传统的语音增强方法不仅需要去假设噪声的统计分布,还会忽略相位信息的影响,这就导致了传统方法存在着对噪声敏感以及泛化能力不强等问题。针对以上问题,本文研究了基于嵌套U型网络（nested U-shaped network,U2Net）模型的语音增强方法,主要研究工作与成果如下:（1）阐述了语音增强以及U型网络（U-shaped network,UNet）模型的相关理论,并提出了一种新的U2Net模型框架。首先介绍语音感知的特性,并回顾了一些经典的传统语音增强方法与及基于深度学习语音增强算法的相关理论;然后阐述用来评价语音增强性能的指标并论述了UNet模型的相关理论,包括有UNet模型框架以及基于UNet的衍生模型研究概述;最后根据UNet模型存在的不足,提出一种更适用于语音增强任务的U2Net模型。实验表明,采用了U2Net模型的语音增强方法能够更有效的解决语音增强问题。（2）提出了基于通道注意力U2Net（Squeeze-and-Excitation U2Net,SE-U2Net）模型的时频掩蔽语音增强算法。该方法在U2Net模型的基础上,融合了通道注意力机制（SE机制）与时频掩蔽算法,使得增强模型拥有了选择输入特征的能力,能够有效的提高目标语音的显著特征并抑制噪声的特征,从而提高语音增强的效果。实验结果表明,相比于传统方法与基于深度学习的方法,提出的方法能够对多种环境下的含噪语音实现更好的增强效果,并且可以有效的改善语音听觉质量以及提升语音可懂度。（3）提出了基于复数U2Net（Complex-U2Net）模型的复值掩蔽语音增强算法。该方法在U2Net模型的基础上,通过结合复数卷积神经网络与基于极坐标的复值掩蔽算法,直接将含噪语音的复数谱作为模型输入,从而避免了语音增强过程中出现相位失真的问题,使得增强语音更接近于纯净语音。多种噪声环境下的实验表明,相对于其他基于深度学习的语音增强算法,提出的方法可以在一些噪声条件下实现更好的语音增强效果,尤其能够在强噪声环境下有效改善语音听觉质量并提升语音可懂度。