语音通信在日常生活与工作交流中发挥着极为重要的作用,而人们常常处于较为嘈杂的声学环境中,这极度影响了通信质量。同时智能设备提供的语音交互功能大大提升了人们日常生活的便捷性,不过需要确保设备在使用中尽可能接收到干净的语音,以识别出正确的指令。因此,能够降低语音背景噪声、提高语音质量的语音增强技术就显得尤为关键。近年来,基于深度学习的语音增强技术凭借着出色的降噪性能已经成为主流方法。但现实生活中的语音场景是复杂多样的,对增强算法在应对不同于训练集的噪声种类、说话者风格等因素下的泛化能力提出了巨大的挑战。同时深度神经网络由于其庞大的网络规模,也造成了算法在智能设备上部署成本高、执行效率低的难题。因此本文围绕提升语音增强算法在噪声场景与说话者风格上的泛化能力,以及轻量级网络的设计展开了研究,主要工作包括以下几个方面:1)引入噪声估计模块,实现基于噪声感知的语音增强技术,提高算法在未知环境下的泛化能力。首先,本文在端到端的语音增强算法中引入了噪声估计模块提取代表环境信息的噪声嵌入向量,作为增强网络的附加输入。同时,设计了条件层归一化技术引入噪声信息,影响增强网络层的输出分布,使得增强算法能够对噪声进行自适应地调整。在本文实验中,基于噪声感知的语音增强算法取得了一定的语音质量提升,感知语音质量评估（Perceptual Evaluation of Speech Quality,PESQ）得分较原模型平均提升了0.13。而噪声嵌入向量的可视化结果也证明模型学习到了有意义且代表噪声种类的信息。2)针对增强算法对未知说话者泛化能力弱的问题,引入说话人识别模块,实现基于说话人感知的增强算法。本文设计了端到端的说话人识别模块以提取说话人嵌入向量。并实现了不同的信息融合方案将说话人特征引入基于噪声感知的语音增强框架中。本文设计的噪声与说话人感知的语音增强算法采用门控循环融合单元结构,通过门控机制选择与存储信息可以更为有效地融合特征,进一步提升了降噪语音的质量。3)针对增强网络参数大、计算效率低的问题,提出了轻量化网络的方案。本文设计了一种基于深度可分离卷积的轻量级增强模型,通过深度可分离卷积将通道和特征区域分开计算的操作极大地缩减了模型的计算量。轻量化后语音增强算法的参数计算量减少了80%以上,同时仍保持了与原模型相近的降噪性能。此外,本文提供了另一种有效压缩增强模型的方案,通过压缩卷积层的输出通道数进一步降低了模型尺寸。