在民用航天的空中管制过程中,语音信号是最为常见的信号交互载体,在这样的地空通话场景下,往往存在较为复杂的噪声环境,这极大影响了地空通信的质量以及效率。本文主要研究基于深度学习的语音增强算法,旨在解决民航空中管制语音指令场景下的噪声干扰问题。通过对于目前主流的语音增强算法方法的深入分析、总结与归纳,围绕存在的主要问题开展了一系列深度研究:其一是复杂噪声环境下语音增强算法自适应问题,一般基于卷积神经网络的语音增强算法模型由于其固定参数的运算模式,导致模型难以适应不同噪声环境下的泛化性问题,降低了算法模型特征抽取的能力;其二,语音信号时频特征的时空差异性问题,特别是在基于时频域的语音增强方法研究过程中,往往忽略时频特征中不同频段以及不同时间戳条件下的状态差异,尤其是在低信噪比的噪声背景条件下,导致现有深度学习网络难以实现对于语音信号的高效拟合。在本文中,对上述提到的算法问题做了优化,具体的研究贡献如下所示:1)本文提出基于自适应卷积及渐进学习的语音增强算法方案。以基于冗余卷积的编码器解码器为算法的主体网络结构,提出使用自适应卷积代替一般卷积的方式,利用不同的输入条件,动态的为卷积模块选取合适的抽象特征聚合方式,并调整模块整体感受野,提升模型对于不同噪声环境的泛化能力、对于低信噪比条件下的算法稳定性;同时,利用两阶段渐进学习的方案,通过重复利用神经网络参数进行训练的方式,以极小的计算负载为代价,有效提升了网络的深度,提升了网络整体的特征抽象能力。最后,通过相同条件下的实验对比,验证了本文提出的算法模型在各项指标上的性能优于当前主流的相关算法工作结果。2)本文提出基于区域卷积的语音增强算法方案。提出使用区域卷积的算法模块方案,为卷积网络结构提供区域差异性卷积的方案,解决一般卷积神经网络存在的由于感受野大小固定,导致的特征表达受限的问题以及由于参数共享机制影响了模型去除噪声能力的问题,在提升了模型整体性能的同时提升了模型的泛化能力,增强了模型处理复杂噪声的能力;同时利用扩张线性门控单元层,进一步提升模型整体感受野,优化模型输出的增强语音结果。3)为了更直观地展示算法的应用效果,依托面向民航空中管制场景,在本文提及的算法研究基础上进行了语音增强算法原型系统的研究开发工作。