语音增强技术旨在从带噪语音信号中提取尽可能纯净的原始语音信号,并在保证语音信号质量的条件下,降低时延,使语音交互更加高效。目前,基于卷积神经网络等深度学习算法的语音增强方法凭借其稳定的降噪性能逐渐成为主流,并取得了令人瞩目的成绩。然而,绝大多数基于卷积神经网络架构的语音增强算法都存在多尺度编码特征利用不充分、算法时延高等问题。本文针对以上问题进行了研究并提出了改进方法。首先,绝大多数基于卷积神经网络编解码架构的语音增强算法都没有充分利用多尺度编码特征信息,而最新的工作表明,多尺度编码特征有利于解码器恢复特征图像,从而得到干净的语音信号。本文根据以上信息提出了一种基于通道注意力机制的多尺度特征融合语音增强方法CA-MMFUNet。实验结果表明,CA-MMFUNet能够筛选并充分利用有效的多尺度编码特征,在多个降噪指标上均超越了所对比的方法,有显著的降噪效果。其次,基于通道注意力机制的多尺度特征融合语音增强方法对比基础模型增加了额外的卷积结构,间接导致模型出现推理时延增加的问题。对于此问题,传统做法通常是使用模型压缩技术减少模型参数。然而,模型压缩通常会使模型的性能下降,无法在提高语音增强质量的同时降低模型的时延。本文受集成学习思想启发,提出了一种可以根据噪声环境自动选择合适的基降噪模型的场景匹配语音增强方法SMSE。实验结果表明,SMSE能够组合多个弱降噪模型形成强降噪模型,不仅在多个语音增强质量指标上超越了所对比方法,同时模型推理时延也有显著降低。此外,本文在实现场景匹配语音增强方法的过程中,对声音场景分类方法进行了深入研究,提出一种基于空洞卷积和注意力机制的音频场景分类方法DCTransformer。DCTransformer能够利用空洞卷积充分地提取音频特征,并克服Transformer分类模型存在的全局信息利用不充分问题,在Urbansound8K公开数据集上的分类准确率取得了88.54%的效果。