语音信号是人类相互沟通的重要方式之一,但是其易受到传输过程中各种噪声的侵扰,特别是在当今电子通讯技术发达的社会,无线传输时各类噪声对语音信号可懂度的影响非常大,因此在现代语音信号处理领域中,语音增强技术成为不可或缺的环节。现如今结合机器学习的语音增强技术效果得到了大幅提升,尤其是使用深度神经网络的语音增强技术,但是网络模型存储需求和计算量大,计算复杂度和计算功耗高,难以部署到常用的可移动设备和嵌入式设备中。因此本研究旨在对神经网络语音增强模型压缩优化,减少模型参数以降低模型的冗余度。本研究使用深度降噪自编码器构建语音增强模型,在两种非平稳噪声条件下分别训练出对应的神经网络语音增强模型。基于幅值剪枝的模型压缩方法,提出了迭代修剪+重新训练的压缩方法,与迭代修剪无重训练和直接修剪+重新训练这两种对照方法进行了对比,显示了重新训练和迭代渐近式修剪的重要性。此外,本研究对迭代修剪方法进行优化,多次重复迭代修剪+重新训练方法,多次重复迭代使得稀疏网络模型重新收敛。模型压缩过程中使用字正确率作为主观听觉反馈,对每个压缩模型的语音增强性能进行评估,最终拟合模型参数修剪比例与字正确率的平衡曲线,以此寻找每种模型压缩方法的最大临界修剪比例。本文首先对单通道的语音增强方法进行介绍,尤其是其中的神经网络语音增强方法,接着对神经网络模型压缩的方法进行介绍,最后搭建神经网络语音增强模型,通过主观测听实验对比测试提出的网络模型压缩方法。其中使用迭代修剪+重新训练的模型压缩方法可以在不影响模型语音增强性能的情况下,将模型参数减少50%,优化后的多次重复迭代修剪方法最大临界修剪比例可达80%,实现对模型参数量压缩5倍而不影响其语音增强性能。