在语音增强任务中,基于神经网络的语音增强方法能够利用网络的非线性拟合能力,构建带噪语音到干净语音的映射,相比于一些传统阵列增强算法不需要声源位置等先验信息。现有的语音增强网络研究工作通常仅在网络的输出端设置一个或多个目标函数。当语音增强任务越复杂,网络需要完成的功能越多,目标函数的极小值点急剧增多,仅通过最终输出误差的反向传播来优化网络参数难以找到较优的解。本文提出一种基于多任务的麦克风阵列语音增强方法,利用先验知识将复杂的增强任务细分为多个增强任务,从而对网络参数的优化方向和过程进行约束和指导,以减少陷入极小值点的几率,降低训练的难度,提高网络增强的效果。本文工作开展工作如下:（1）针对现有去混响降噪网络中存在的训练困难和多目标选取问题,提出了多任务去混响降噪网络。该多任务网络的增强过程依据语音增强系统的功能细分为去混响、降噪和多声道融合三个任务,并针对每一个任务设计对应子网络和目标损失函数;其中设计的多声道融合子网络包含通道卷积的结构,以更好地融合各声道支路网络的输出,实现二次增强。实验结果表明,提出的多任务去混响降噪网络具有较好的泛化性能,在不同信噪比和混响强度下,该网络的增强效果都优于现有的传统算法和基于网络的方法。（2）针对远程语音通信场景中现有回声消除网络方法在有混响和噪声的环境下存在较多回声残留和网络训练困难的不足,提出一种用于远程通信的多任务降噪系统。该系统包含的网络将增强任务划分为回声消除、去混响、降噪和多声道融合任务,每个任务有对应的子网络;通过采用现有的线性回声消除算法对输入做回声预消除,从而减小回声消除子网络压力;此外,为了降低网络训练开销,将多个声道支路网络的参数共享,提出一种声道网络参数共享的多任务降噪网络。在双讲和单讲条件下的实验结果表明,所提的两种多任务降噪网络在性能上都优于对比算法。