在恶劣的声学环境下由于噪声的影响,会让得到的语音信号充满杂质,质量和语音可懂度都会受到严重影响。因此,需要进行语音增强。在以前的语音增强算法当中,去除噪声的同时很有可能删除掉语音信号部分,影响语音处理系统的性能。目前信号处理被普遍应用于科学工程领域,特别是对于语音信号的研究已经成为了最近几年的热门。作为语音信号处理的一大分支,语音增强算法的目标是为了提升由于各种原因造成信号干扰的语音质量和语音可懂度。在发展传统语音增强算法的基础上,这几年结合机器学习又相继的提出一些新的算法,而非负矩阵分解(Non-negative Matrix Factorization,NMF)又成为这些算法中被使用比较广泛的一个。除了机器学习,麦克风阵列信号处理技术也被广泛的应用于语音增强算法,如自适应波束形成。针对于此,本文把非负矩阵分解和麦克风阵列的相关算法结合起来,利用盲源分离的思想来进行语音信号增强,形成基于非负矩阵分解的双通道语音信号增强方法研究,可以对声音信号进行后期处理。首先,利用麦克风阵列的广义互相关方法得到波达时延估计值。然后,进行非负矩阵方法的改进,改进了非负矩阵分解的初始化。传统的非负矩阵分解一般采用随机初始化,可是应用在语音增强算法中不能保持语音信号的频域结构特征,而且在有限的迭代次数下毫无准则的初始化会导致得到最终结果损失较大,为此用递归的Kmeans++算法对NMF进行初始化,并且初始化过程中不在采用传统的欧式距离而是用另外一种新的距离公式来替代它。利用波达时延估计值对非负矩阵分解的系数矩阵进行处理,并针对传统的广义互相关方法提出一种三次广义互相关方法来更好的得到波达时延估计值。最后,用PyCharm对提出的算法进行一一验证。通过研究分析与大量的测试及实验表明本文所提出的语音增强算法较传统方法相比拥有更高的信噪比及可懂度。