语音带宽扩展技术旨在应用语音信号处理方法,从窄带语音中恢复出相应的宽带语音信号,它在通信网络、智能终端、语音识别系统等领域具有广泛应用前景。近年来,随着深度学习理论的快速发展,语音带宽扩展技术取得了新突破,语音信号的带宽扩展效果也有较大提升,但相较于原始宽带语音信号,其语音质量仍有明显差距,还难以达到实际应用的要求。因此,语音带宽扩展技术的研究仍具有挑战性。本文应用深度学习理论,对基于深度神经网络的语音带宽扩展技术进行了研究,主要工作如下:（1）针对模型参数量大的问题,提出了一种基于融合卷积、卷积注意力机制和时域特征线性调制的语音带宽扩展模型。在该模型中,深度可分离卷积与普通一维卷积分别用于提取特征并加以融合;卷积注意力机制模块用于重新加权卷积层的输出特征,以获得更好的扩展效果;时域特征线性调制模块用于表征语音信号时序前后文的关联性。本文用VCTK英文数据集对所提出的模型进行训练,并在VCTK英文数据集、TIMIT英文数据集、THCHS-30中文数据集上进行了测试。实验结果表明,模型具有较好的语音带宽扩展性能和良好的鲁棒性。（2）针对扩展后的语音与宽带语音频谱差异较大及主观听感不佳的问题,提出了基于Sinc卷积与多头注意力机制的语音带宽扩展模型。该模型由Sinc卷积和Transformer模块组成,其中Sinc卷积利用滤波器的带通性质,使网络更加关注滤波器参数对性能的影响,以学习到更有意义的频域信息,且其参数量小,解释性更强;Transformer模块采用多头注意力机制,以提高模型的表征能力。用VCTK数据集对该模型进行训练和测试,实验结果表明,经该模型扩展后,语音的信噪比（SNR）达到22.68,对数谱距离（LSD）达到0.88,主观平均意见（MOS）得分达到4.06。使用VCTK数据集训练的模型,在TIMIT、THCHS-30数据集上进行测试,仍获得了良好的扩展效果,表明该模型具有较强的鲁棒性。