人工智能的快速发展,使得工厂的生产方式日益智能化,人机交互在生产过程中的应用越来越广泛。语音是人机交互的一种重要方式。现如今语音识别技术已经逐渐成熟,在无噪音的场景下可以准确识别大多数语音指令。然而,工厂的环境不是安静的,会掺杂复杂多变的噪声,这对于语音人机交互会产生严重的干扰,降低语音识别准确率和生产效率。语音增强技术用于将纯净语音从带噪语音中分离出来,提高目标语音的清晰度和可懂度,从而保证人机交互的高效性。传统的语音增强和语音识别方法大多是基于统计估计的方法,方法简单且容易实现,但条件假设单一,没有考虑真实情况。而基于深度学习的语音识别和语音增强方法不必对语音做出任何假设,而是直接建立输入与输出的映射关系,经过多次训练后能很好地利用语音特征推理出目标序列。本文以嘈杂环境下用于人机交互的机械臂为对象,分析和研究语音增强算法和语音识别算法,并设计了基于语音识别的机械臂装配系统,实现其语音交互的功能。主要工作和创新点如下:（1）提出一种基于傅利叶门控卷积神经网络算法的语音增强模型,采用时间卷积模块、类似傅利叶变换和逆傅利叶变换的模块和门控卷积单元对带噪语音进行频域上的特征提取以及时间上的顺序建模,得到较好的纯净语音,有效实现混合语音在时域和频域上的去噪。（2）提出一种包含带有门控单元与残差连接的前馈序列记忆网络和带有交互算法的Transformer的语音识别模型,在声学模型上采用带有残差连接和门控单元的前馈序列记忆网络结构充分利用语音帧上下文信息得到目标音素或拼音,在语言模型上采用带有交互算法的Transformer模型提高音素到文字的推理性能。（3）将语音增强模型和语音识别模型应用到机械臂中,实现机械臂在其运作环境下的语音识别交互,用语音指令指挥其做出相应的动作,例如抓取零件、改变方位放下零件。