语音在传输的过程中,常受到噪声的干扰,影响人们对信息的正常接收。因此,语音增强在信号处理中占据着越来越重要的地位。由于噪声也具有非平稳性,一些传统方法的语音增强效果并不明显,而利用稀疏表示与字典学习对语音信号进行处理无疑是一种有效的去噪方法。基于此,本文提出了几种改进的基于稀疏表示和字典学习的语音增强方法。基于字典学习算法和基于非负矩阵分解算法是两种主要的基于稀疏表示和字典学习的语音增强算法。在字典学习算法中,针对字典学习需大量训练样本且样本冗余度较高的问题,本文将主成分分析与字典学习结合,提出一种基于信号子空间低维表征的快速字典学习算法。结果表明,与传统方法相比,快速字典学习算法以较快训练速度获得较高语音增强质量,对信号处理具有重要研究效果。在基于非负矩阵分解算法中,为降低联合字典相干性,本文通过提升先验信息结构特性,保证一定计算复杂度,提出了基于非负矩阵分解的改进联合字典语音增强。结果表明,与快速字典学习以及K奇异值分解（K Singular Value Decomposition,K-SVD）相比,该算法明显提高语音增强效率,拥有较高输出信噪比,增强效果优于其他两种方法。在基于信号子空间低维表征的快速字典学习中,主要分为三个阶段,分别是子空间低维表征,字典学习阶段与字典变换阶段。其创新点有:（1）待处理数据的子空间低维表征。子空间低维表征阶段分为获取主成分矩阵和选取最佳特征抽取阈值。首先对原始数据信号进行主成分分析,通过对多种指标综合分析,选择出最佳特征抽取阈值构造子空间,实现了原信号的低维表征。（2）构造字典变换矩阵。在变换阶段,对子空间进行字典训练,选取K-SVD字典学习算法生成子空间字典。利用正交变换矩阵表述子空间字典与原信号字典间的数学关系,对子空间字典实施字典变换,获得原始信号学习字典。基于非负矩阵分解的改进联合字典语音增强算法主要分为联合字典训练阶段和语音增强阶段。创新点在于:（1）复合处理。在联合字典构建阶段,在不引入任何高计算复杂度的先验模型下,对待训练数据进行复合处理。通过选取合适的扩展步长,增强先验信息的结构特性,使语音信号与噪声信号结构更加分明,提高基向量区分性,构造低相干性联合字典。（2）语音增强。在语音增强阶段,含噪信号选取扩展步长进行复合处理,再利用低相干联合字典进行系数表示。采用信息分离提取系数矩阵,通过联合字典以及提取后系数矩阵获取纯净语音信号,实验证明,该方法取得了较好的语音增强效果。