语音在现代电子通信和日常交流中越来越不可或缺。然而,现实环境中的噪音对移动通讯、电话会议、自动语音识别等语音相关的应用存在严重干扰。因此如何从被噪声干扰的语音中提取有用的信息,减弱噪声成为了至关重要的研究方向。语音增强的目的就是消除复杂的声学环境中的噪声,提高语音质量和可懂度。近几年,基于深度学习的语音增强算法取得了快速发展,已经能有效抑制噪声的干扰。但伴随而来的是巨大的模型参数量和运算量,很难在实际应用中部署,尤其是嵌入式设备。因此,研究轻量级模型对于语音增强具有十分重要的意义。目前,对于轻量级模型来说,由于参数量的限制,对语音质量和可懂度的提升仍然存在不足。这项工作介绍了基于时域双路径递归神经网络的轻量级模型,并对此展开了两点研究:1.基于时域信噪比渐进式学习的单通道语音增强:双路径递归神经网络（DP-RNN）在说话人分离方面取得了显著的性能提升。在这项工作中,我们研究了在单通道语音增强任务上的DP-RNN。此外,受传统的多任务学习和课程学习的启发,以及信噪比渐进式学习在以对数功率谱为目标的时频域网络中的成功应用,我们提出时域语音增强任务也可以从小的,简单的方面逐步递进式地学习。因此,引入了时域网络中的信噪比渐进式学习（SNR-PL）,该方法能有效的提升语音质量和语音可懂度,且对未知噪声具有很好的泛化性能。2.基于时域网络结合LSTM的单通道语音增强:传统的语音增强方法将带噪语音的振幅谱映射成纯净语音的振幅谱。在将信号恢复为波形时,需要提供相应的相位信息,如何获取相位信息是一个关键问题。在本研究中,我们通过一种基于双路径递归神经网络（DP-RNN）的波形增强方法来获得相位信息,并依据该相位信息与时频域中使用LSTM网络得到的振幅谱结合达到增强语音的效果。所提出的方法对语音质量有显著的提升效果,并对未知噪声具有一定的泛化性能。