在办公室、会议室等其他室内封闭环境中进行语音通信、视频会议或者智能家居语音控制等行为时,说话人的声音不可避免地受到室内混响的干扰。因为当麦克风与声源超过一定距离时,麦克风通常会同时采集到直达声和由周围物体或墙面反射声波,造成较大的混响,且混响程度多变,将导致不同程度地降低语音的可懂度和清晰度,也会影响人的听觉感受和相关产品的用户体验。因此语音去混响技术具有重要的应用价值和研究意义。本文开始主要详细介绍语音去混响的研究意义和国内外研究现状;混响的基本原理,包括混响的产生,数学模型和特性等,还介绍了常用的语音预处理操作;语音质量的评价标准,以及本文用到的实验数据。然后又详细介绍了现有广泛应用的加权线性预测误差方法,并针对多通道去混响的应用进行了实验,结果表明简化模型对混响环境的模拟具有局限性,不能准确估计混响成分,当混响时间越来越长时,算法的性能也随之下降。由于该算法的过程相当于线性滤波器,所以在处理中不会造成语音失真,但是当混响严重时对混响成分的估计不准确,导致处理后的语音听感不流畅。深度学习算法能够通过非线性计算过程更好地达到去混响的目的,但是目前普遍存在的问题是当测试集与训练集混响环境不匹配时,算法的性能严重下降。基于该问题本文通过结合语音信号特点改进图像增强领域算法,提出混响感知结合多路密集连接神经网络去混响算法,同时构建带有混响程度等级分类标签信息的混响语音数据集。结果证明该算法能够有效改善目前深度学习去混响算法的不足,在多个语音评价指标中较传统算法具有明显优势。