语音增强技术致力于消除复杂声学环境中的噪声干扰,提高语音信号质量。深度神经网络基于其优异的非线性建模能力,利用大规模数据驱动的方式在语音增强中展现出卓越的性能。通常模型存在规模大、计算复杂度高等问题,难以部署在资源受限的嵌入式设备中。同时,大规模数据的构建存在数据隐私保护和标签缺失问题,限制了模型的训练和应用。因此如何在保护数据安全的前提下,以无监督方式训练出一个具有多种噪声抑制能力的轻量型语音增强模型具有重要意义。本文的具体研究内容如下:（1）针对隐私保护条约限制不同噪声场景下语音数据统一的问题和公共数据集的标签缺失问题,本文结合联邦学习和知识蒸馏,提出了一种多教师知识蒸馏方法,将多教师模型的知识迁移到学生模型,实现能够抑制多种噪声的增强模型。首先利用公共数据集分别构建不同噪声条件下的源域语音数据集,以及含多种噪声的目标域噪声数据集;然后通过不同的源域数据集预训练不同噪声条件下的教师模型,实验结果表明教师模型在训练过的噪声条件下的增强性能较强,当输入信噪比（SNR,Signal to Noise Ratio）为5d B的含不同噪声语音时,对应的教师模型增强后的语音质量感知评价（PESQ,Perceptual Evaluation of Speech Quality）得分平均提高了1.67;最后构建多教师知识蒸馏框架,将教师模型视为黑盒以保护源域的数据隐私安全,利用学生模型与多个教师模型之间的信息交互,缓解单个教师模型在指导学生训练时可能产生增强不足或增强过度的问题,实验结果表明学生模型学到了多个教师模型对不同噪声的增强性能,与随机蒸馏相比,所提出的两教师和三教师知识蒸馏的PESQ得分均有大幅提高。（2）针对教师模型网络规模大、计算复杂的问题,本文分析优化教师模型的网络结构进行结构精简,得到性能优越且网络规模较小的学生模型,并进行参数量化在进一步减小模型的尺寸。首先,优化教师网络结构并且分析教师网络的内部结构对模型规模的影响,设置不同结构参数进行大量实验和结果分析,权衡模型的尺寸和性能,实验结果表明与教师模型相比,虽然轻量化后的模型PESQ平均得分降低了约0.06,但是模型的参数量减少了50.00%,计算量减少了约54.76%;然后将得到的轻量化模型作为学生模型进行多教师知识蒸馏实验,最后对得到的轻量化的学生模型采用参数量化方式降低模型的存储空间以及推理速度,实验结果表明量化后的模型在测试集上的性能和学生模型相当,量化后的模型性能仅下降了约0.02,但是模型的计算量减少了约7.54%,推理时间减少了约15.18%。