现实生活中,交流过程不止有说话声,更是充斥着各种各样的噪声干扰着沟通质量。因此,如何更好地抑制噪声对沟通的影响性,是一个急需解决的问题。语音增强是为更好的解决噪声对交互影响而出现的技术,主要目标是增强混合语音中的目标语音,从而在一定程度上使得增强后语音更易于理解。传统的语音增强只能较好的应对平稳噪声,对于非平稳噪声效果往往不太理想,最近深度学习的崛起在很大程度上解决了对非平稳噪声的抑制。由于频域处理相较于时域信号更稳定,所以当前大多数基于深度学习的语音增强方法都仅处理幅度谱,忽略噪声相位信息对增强语音的影响,这极大地限制语音增强性能。为更好地解决相位信息对增强语音的影响,在一次增强后得到既适合机器感知又适合人耳感知的语音,则是更有意义的工作。基于此,论文提出了一种阶梯式语音增强方法。本文中将语音增强分为两步,第一步生成利于机器听感的增强语音,然后第一阶段的增强语音继续进行噪声抑制,将振幅谱映射成梅尔谱,最后结合声码器Wave RNN得到适合人耳听感的语音。这样的方式在第二阶段上完全消除噪声相位信息对最终增强语音的影响,与第一阶段合适机器听感的语音相比,在第二阶段生成的增强语音更有利于人耳听觉感知。且为更好地得到增强语音,本文在输入之前对变换后的频域能量信息利用高斯滤波做了相关修正,增加了帧与帧之间的相关性,使能量更加集中。同时本文对传统均方根损失做了方向一致性修正,将均方根误差和余弦相似性度量结合,较好的解决传统均方根误差中向量之间独立性问题,有利于最终噪声抑制性能表达。最终实验结果表明,本文提出的阶梯式语音增强模型,不仅在一阶模型上得到很好的机器感知结果,且在人的主观感知评判上二阶结果要好于一阶结果,验证了论文提出的方法在第二阶段较好弥补噪声相位信息引入的负面感知评判,证明了本文提出方法的有效性。