语音是人类社会最重要的信息交流工具之一,它不仅是日常生活中人与人之间最常见的交流方式,也是人机之间效率最高的交互方式。现实情况下,在采集和传输过程中,语音信号会被周围环境中的噪声污染。噪声的存在不仅会影响语音信息的传递,还会使听者在心理上产生疲惫厌烦的情绪。语音增强技术的目的就是抑制或消除带噪语音信号中的噪声,从带噪语音中尽量提取出纯净语音信号。经过多年的发展,已经有很多语音增强算法被提出来,其中最经典的是谱减法、维纳滤波法、子空间方法等等。但是这些算法都是基于平稳噪声提出来的,不能很好地抑制非平稳噪声。本文首先提出一种基于先验信噪比（priori signal to noise ratio,priori SNR）估计的谱减法,解决了传统谱减法存在的音乐噪声的问题;然后基于压缩感知理论,提出了基于能量阈值的匹配正交追踪算法和基于联合训练样本字典学习算法用于语音增强,实现了较好的语音增强性能。本文的主要工作和创新如下:首先,介绍了语音增强的基础理论知识。针对谱减法存在音乐噪声的问题,本文提出了一种基于先验信噪比估计的谱减法。分析可知音乐噪声的产生主要是由于对噪声估计得不准确。本文所提算法将对噪声的估计转变为对先验信噪比的估计。通过在直接决策法中引入自适应平滑因子,来提高对每一帧先验信噪比的估计精度,减少了增强后语音中的音乐噪声,缓解了语音失真程度。仿真结果表明,在不同类型噪声下,该算法与参考算法相比,性能都有明显的改进。其次,应用压缩感知理论中的重构算法,研究了语音增强问题。现有的基于压缩感知理论的重构方法旨在重构出与带噪的原信号最相近的信号,无法有效抑制语音中噪声。针对这个问题,本文提出了一种基于能量阈值的正交匹配追踪（orthogonal matching pursuit,OMP）算法。首先通过端点检测方法对整段语音进行划分,然后对语音帧利用OMP算法进行重构,在迭代过程中通过计算带噪语音中的语音成分能量,设计了一个能量阈值来控制算法迭代次数,从而实现了自适应去噪能力,提高算法的降噪性能。仿真结果表明,在不同噪声情境下,该算法相对于其他重构算法有更好的降噪性能。最后,基于字典学习理论,提出了一种基于联合训练样本字典学习的语音增强算法,用于解决语音增强问题。现有基于字典学习的语音增强算法分别利用纯净语音和噪声单独作为训练样本得到复合学习字典。这种方法构造的字典在一定的噪声情况下不能准确地区分信号和噪声,从而导致降噪性能不理想。针对这种问题,本文在学习字典的过程中分别利用带噪语音联合纯净语音、带噪语音联合噪声作为训练样本,得到两路联合学习字典。利用两路字典分别得到两路信号的稀疏表示,利用纯净语音和噪声在稀疏表示上的互补关系对其进行加权处理,最终得到增强后的语音。仿真结果表明,该算法在不同噪声情境下,与其他参考算法相比有更好的性能。