随着智慧城市建设的不断升温,城市信息化以核心角色的身份走进大众视野。在城市环境下部署环境音监测系统以获取城市环境信息和提升城市居民生活质量的必要性在持续上升。然而,环境中存在的噪声会干扰监测系统对环境音的监测与分析。并且随着信噪比（Signal-to-Noise Ratio,SNR）的降低,噪声对环境音频谱的破坏加剧,导致噪声和环境音之间的区分变得困难。噪声抑制技术作为环境音信号预处理中的重要一环,能消除监测环境音中的噪声成分,还原出纯净的环境音。本文围绕基于非负矩阵分解（Non-Negative Matrix Factorization,NMF）的噪声抑制算法展开,重点研究低信噪比下的噪声抑制问题,利用NMF分离加性源的优势应对噪声类型与数量未知且发声时刻随机的室外复杂环境。本文的主要贡献如下:（1）针对传统环境音降噪算法在低信噪比的非平稳噪声环境下,噪声抑制能力急剧下降的情况,本文提出一种融合NMF和最优改进对数幅度谱（Optimally-Modified Log-Spectral Amplitude,OMLSA）的环境音降噪算法。相比传统基于NMF的方法侧重于生成环境音和噪声的基矩阵进行噪声抑制,该算法首先从噪声和环境音数据集中获取先验信息,使用监督NMF对带噪声音分离。然后再利用判决引导法,根据分离噪声的功率谱密度计算先验信噪比估计。最后在对数最小均方误差准则下,得到以先验信噪比估计为自变量的OMLSA增益函数,滤除环境中的噪声。实验结果表明,该算法能有效滤除叠加在环境音中的噪声,提升信噪比增益。且与传统噪声抑制算法相比,该算法能更好地保护微弱的环境声信号,减少环境音的失真,避免了音乐噪声的引入。（2）为使所提出融合NMF和OMLSA噪声抑制算法能够进一步适应室外环境音监测系统,并解决在低信噪比条件下,分离的环境音在与噪声谱带高度重叠区域存在谱线丢失和噪声残留问题。本文提出了一种自适应降噪算法,该算法对分离噪声进行重构,并在基于对数谱估计器之后进行残留噪声抑制处理,以解决这两个问题。该算法利用声音存在概率（Sound Presence Probabilities,SPP）,在保证环境音不失真的同时,最大程度抑制残留噪声。此外,半监督的学习方式使算法能够适应任何类型的噪声,无需预先训练噪声字典。在语音和非语音数据集上的实验结果表明,与传统的语音增强算法相比,本文所提算法获得了更好的增强性能。在非语音数据集上,本文所提算法也显示出了良好的降噪能力。经过实测实验,本文所提算法能够有效提升环境音监测系统中对异常环境音事件的识别。