在近些年,作为人机交互的一种重要方式,人们更加广泛地关注语音产品。语音产品的广泛应用,极大的解放了人们的双手,从而使日常生活变得更为方便。在较为干净的情况下,排除说话人自身的因素,语音应用已经能够取得很好的性能。例如,语音识别能够在干净的环境下,获得超过95%的准确率。但是,大量的噪声往往会在现实环境下存在,语音应用的性能也因此会受到极大的影响。从带噪语音信号中提取干净的语音信号的一种常用技术,被称为语音增强。深度学习技术在近些年不断的发展,使得基于深度学习的语音增强方法吸引了越来越多研究者的关注。使用含有大量噪声种类和说话人的数据来训练一个深层神经网络,使得网络能够很好的处理非稳态噪声。深度学习语音增强的两种学习方式是直接映射和掩蔽。直接映射的方式是利用深层神经网络的强映射能力,利用深层神经网络直接得到谱图信息。而掩蔽的方式则是利用深层神经网络先得到一个掩膜,然后再用这个掩膜对带噪语谱图进行处理,最后得到增强的谱图信息。并且,通过直接映射和掩蔽得到的增强系统之间存在一定的互补性。在这篇论文中,我们进一步利用这两个学习目标之间的互补性,设计了基于最小差别掩蔽的语谱图融合系统。利用最小差别掩蔽,提取不同语谱图中较好的部分。并将这些提取的部分重新融合成一张新的语谱图,从而提升语音增强的性能。在此基础上,我们使用了注意力机制更好的建模,并尝试了多种建模方式,来探究更有效的获得嵌入的方式。使用了增强语音的相位信息,来解决短时傅里叶逆变换时的不一致性。REVERB数据集上的实验表明,语谱图和最小差别掩蔽之间具有很强的特征互补性。所提出的系统可以一致且显着地改善PESQ和SRMR,例如在所有真实数据中,平均SRMR增益为1.22。此外,我们的系统通过对信号干扰比率,信号失真比率,信号人造比率的感知评估,不断改进定量评估。