语音是人与人之间最重要的交流方式,随着时代发展,语音也是人与机器之间重要的交互手段。但是在很多环境下,语音信号会被其他信号干扰,影响到沟通的效率及效果。所以如何有效地改善噪声环境中的语音质量具有重要意义。语音增强就是在噪声条件下提高目标语音信号质量和可懂度的基本技术。近年来,随着深度学习的发展,单声道语音增强算法取得了长足的进步。其中,循环神经网络由于可以天然地对语音的序列关系进行建模,成为了语音增强任务中的常见模型。但是循环神经网络存在两个问题。首先是建立长期依赖时的梯度消失和爆炸问题,这严重影响了循环神经网络的性能。其次,由于循环神经网络中上一步的输出将被用作当前步骤的输入,因此很难将计算过程并行化。这个问题限制了它的实时处理能力,而实时处理能力是语音增强应用的重要要求。作为循环神经网络的替代网络,基于多头注意力机制的网络也由于位置嵌入模块的局限性,不能很好地对语音信号进行建模,发挥不了自身模型的强大潜力。这些都限制了语音增强的进一步发展,本文围绕基于多头注意力机制的语音增强模型进行了研究,主要研究工作如下:首先,为了有效利用到多头注意力机制的优点且提高对语音信号位置顺序信息的利用,基于已有的Transformer模型结构,提出新的语音增强模型。具体地说,使用长短期记忆网络（Long Short Term Memory,LSTM）替代位置嵌入模块来构建语音信号输入的位置顺序信息,其中LSTM是循环神经网络的一种变体。同时为了避免循环神经网络梯度爆炸或消失以及不可以并行化的缺点,使用了新的计算方式——局部长短期记忆网络（Local Long Short Term Memory,Local LSTM）。理论上,新的语音增强模型既可以有效利用语音信号位置顺序信息,又可以很方便地并行化推理运算。实验结果表明,与基准模型相比,新的模型在未知噪声环境下可以始终如一地在语音质量和语音可懂度上实现更好的性能。新的模型在运行速度上也有很大提升。其次,考虑到上述模型训练优化时,使用的是语音信号幅度谱的均方误差,和语音增强模型评价指标之间没有直接联系,理论上会影响模型的最终效果。所以在上述模型基础上进一步的考虑了SI-SDR（Scale invariant signal-to-distortion）优化,即以SI-SDR为优化目标进行训练。但是SI-SDR是由时域波形计算得到的,而上述模型输出的语音信号特征是时频域,直接更改优化函数无法进行反向传播训练。因此,在上述模型的基础上修改了模型结构,在模型中集成了用一维卷积层实现傅里叶变换,从而使新的模型可以直接输入输出语音波形,进一步简化了模型训练流程。同时,实验结果表明,新的模型结构达到了更好的性能。