语音增强技术的目的是净化被干扰源破坏了的带噪语音,恢复出干净的说话人信号,在此过程中保证语音信号的质量和可懂度是本领域学者不懈追求的目标。目前基于数字信号处理技术的传统语音增强算法在周围环境变得恶劣或者不再满足设定条件时,会产生严重的噪声残留或者语音失真致使听力设备无法工作。为了解决上述问题,近年来基于深度学习的语音增强算法开始兴起,能够在极低信噪比和复杂背景下恢复出干净语音,取得了令人瞩目的成绩。其中,卷积神经网络能在保证去噪效果的前提下大幅减少模型的参数量,得到了研究人员的广泛关注。然而,卷积运算的感受域有限,很难对全局语境进行建模,这限制了模型进一步提升的空间,不利于增强语音的恢复。为了解决上述问题,本文主要研究通过注意力机制提高卷积网络获取全局语境的能力,进一步提升语音增强的性能。本文先是提出了一种用于单通道语音增强的注意力强化全卷积神经网络AAUNet,将一种二维相对自注意机制应用到全卷积网络中,具体做法是将卷积运算与注意力机制产生的输出在通道方向拼接起来生成新的特征图,通过调整注意力通道所占的比例,可以在卷积关注局部细节和自注意力获取全局语境之间找到最优组合。实验结果表明,AAUNet在多种未知噪声和信噪比条件下超越了所有对比方法,提高了模型的去噪能力。然而,本文在实验中发现,当注意力机制的通道数占比为100%时,模型的语音增强性能出现了下降,针对这一问题,本文又提出了一种基于独立自注意机制的语音增强模型SAUNet。独立自注意机制可以自由设置运算区域的大小,通过多值矩阵提升基于距离的感知能力。实验结果表明,SAUNet相比于AAUNet需要的参数量更少,且在PESQ和STOI评估指标上分别提高了 7.93%和4.16%,对语音质量、可懂度和未知噪声抑制等方面的性能提升更加显著。