随着互联网产业的高速发展,各种新型通信设备层出不穷,极大的便利了人们的生活。VoIP会议电话凭借其优质、廉价、便捷的优势,一经推出,便迅速获得了大批用户的青睐。在会议通话中,麦克风和扬声器之间的声耦合使得回声现象比较严重,这极大的降低了用户体验,为保证通讯效果,必须对回声进行有效的消除。本文在深入研究经典回声消除算法的基础之上,结合当下热门的深度学习技术,尝试性的将深度学习网络应用在回声消除上。本文主要研究内容如下:(1)介绍了回声消除的研究背景和意义,并从理论研究和系统硬件方面对国内外回声消除相关技术的研究历史与现状进行了总结。(2)介绍了经典回声消除算法结构。首先对声学回声消除的基本知识进行了介绍,包括声学回声产生原因、会议电话工作模式和语音信号的预处理。然后详细介绍了常用的经典回声消除算法结构,主要介绍了线性自适应滤波、非线性后滤波处理、双端检测这几个关键模块。这些经典算法为本文后续章节提出的算法提供了架构支持。(3)介绍了常用的深度学习算法及其在语音分离领域的应用。首先介绍了语音常用特征参数的计算(如短时平均幅度、短时过零率、基音周期、美尔倒谱系数等)。然后阐释了模式识别、机器学习和深度学习基础理论以及它们之间的联系与区别。接着介绍了几种常用的深度学习算法。最后介绍了当下深度学习技术在语音分离领域的应用,这些应用是本文后续研究的启迪之源。(4)提出了一种基于DNNs的回声消除结构。该结构用DNNs神经网络来代替经典算法中的自适应滤波器表征回声路径特性,通过对DNNs神经网络的训练,学习参考信号到回声信号之间的映射关系,从而可以根据参考信号,映射出回声信号,继而进行消除。本章首先介绍了该结构各个模块的原理,然后介绍了实验数据库和训练、测试数据集的制作方式,最后通过仿真验证了该结构的有效性。(5)提出了一种基于LSTM-RNNs的回声消除结构。该结构主要分两部分,一部分用于学习参考信号特征和回声信号特征之间的映射关系,另一部分用于学习期望增益和参考信号特征、近端信号特征之间的映射关系。本章首先介绍了在处理时序数据方面性能出众的循环神经网络(RNNs),并介绍了两种为解决长时依赖问题而提出的两种改进版的RNNs结构LSTM和GRU。然后详细介绍了本章提出的结构的各个模块原理。最后通过仿真验证了该结构的有效性。(6)总结了所做工作,重点包括对经典算法的研究和借鉴深度学习在去混响、语音增强领域的应用而提出的两种利用深度学习网络进行回声消除的架构。最后从算法的泛化性、实用性等方面对未来工作进行了展望。