现实环境中的语音总会受到各种噪声的影响，导致语音质量的下降和可懂度的降低。为了有效地利用语音信号，需要将噪声的影响降到最低，语音增强正是此问题的有效方法之一。本文基于统计模型和贝叶斯估计理论，主要进行了如下工作：首先，提出了一种新的贝叶斯幅度估计方法。对贝叶斯语音增强估计中的语音幅度的高斯分布进行创新性的改进，在进行滤波器的构造前，引入超高斯卡方分布对语音短时傅里叶变换得到的频域幅度谱分量进行描述。在进行滤波器的构造时，结合新的概率密度函数和β阶感知感知误差代价函数，构造出了一种新的基于卡方分布的β（beta）阶感知激励贝叶斯语音增强幅度估计器。通过对语音短时傅里叶幅度谱的更精确的描述，更好的挖掘并利用了语音的先验统计信息。实验表明，所提的方法具有较好的增强效果，在分段信噪比等指标上获得了明显的提高。在不同的噪声下，信噪比提高呈现一些差别，某些情形下能达到2dB，平均而言，不同噪声、不同信噪比下信噪比提高均能达到0.7dB。新滤波器对音乐噪声具有不错的抑制效果。从语谱图上能较明显的看到，新提出的滤波器较好地抑制了音乐噪声。非正式主观听力测试也表明，经过新的滤波器处理后的语音具有更好的可懂度、舒适度和愉快度。其次，提出了一种基于MMSE噪声PSD估计的过减谱减法。在面对非平稳噪声时，传统的短时谱过减法的增强效果急剧下降。主要因为该类方法不能有效跟踪非平稳噪声变化，因而不能精确的估计出噪声功率谱，引起严重的语音失真或噪声残留，极大降低了语音的质量。为了更准确的刻画噪声特性，使得去噪的语音质量得到大的提高，本文提出了一个改进的过减谱减法，即通过在谱减法中引入MMSE噪声功率谱估计来精确的跟踪噪声。改进的谱减法有效地利用了统计模型和贝叶斯理论估计噪声，在保证好的增强效果的同时又不明显增加计算复杂度，较适合于DSP等实时要求较高的嵌入式应用场合。实验结果表明，在分段信噪比和PESQ等指标上，改进的过减法谱减语音增强均获得了更好的效果。语谱图也显示，改进的谱减法具有更好的时频特性。