人工耳蜗（cochlear implant,CI）是一种听觉仿生医疗器械,其主要功能是帮助中、重度感音神经性听障人群恢复部分听觉。随着CI信号处理策略、电极设计及手术方法等技术的发展,当前先进的CI设备能够使植入者在安静环境中的言语感知效果与正常听觉人群相当。然而,由于现有CI策略主要专注于对语音时域包络信息的提取,缺乏对精细结构信息的有效表征,植入者在噪声环境下的言语感知体验依然很差。长期以来,研究具备语音增强功能的CI信号处理策略,以提升植入者在噪声中的言语感知能力是该领域的研究热点之一。现有CI降噪方案能在一定程度上改善植入者的噪声鲁棒性问题,但仍存在三点明显缺陷:1)降噪作为CI核心策略的外部模块,难以保证其与CI听觉模式达到最优适配;2)基于深度学习的端到端CI降噪方案的网络参数规模和计算复杂度过大,难以满足CI设备低功耗和低延迟的应用需求;3)基于包络降噪或通道选择的CI降噪方案主要以安静环境下传统CI策略提取的包络或通道作为目标,性能瓶颈受限于安静情况下的CI言语感知效果,无法缓解或解决传统CI策略无法利用精细结构的固有算法缺陷。针对上述问题,本文提出一种基于深度学习的噪声鲁棒性CI信号处理策略。该策略以一种广泛应用的CI信号处理策略——高级混合编码（advanced combination encoder,ACE）为基准,利用深度神经网络重现ACE的声-电转换过程以确保输出信号无缝兼容于现有基于ACE的CI产品（因此,本策略命名为基于神经网络的ACE策略,NNACE）。在此基础上,通过构造合适的神经网络架构并设计相应的网络优化代价函数,NNACE所提取的包络信号具备较强的噪声鲁棒性,同时包含更多表征语音精细结构的细节信息。本文在单侧CI植入且单通道语音采集的应用场景下设计了一系列的主客观实验,并采用两种降噪性能卓越的CI降噪方案（Wiener-ACE和DNN-ACE）作为基线模型来验证NNACE的性能。客观指标表明,NNACE针对SSN和Babble两种噪声的降噪效果显著优于Wiener-ACE;在网络参数规模相当（从而计算复杂度相当）的条件下,NNACE的总体降噪效果优于DNN-ACE。仿真声主观测听实验表明NNACE的言语接受阈值（speech reception thresholds,SRT）下降最明显。综合客观和主观实验分析结果可知,本文所提算法NNACE作为一种新型CI信号处理策略是切实可行的且效果显著,这也为后续针对该算法开展CI植入者测听实验奠定了坚实基础。