子空间语音增强方法可以有效地从带噪语音样本中估计出增强后语音。在传统的子空间方法中,一个关键的步骤是通过子空间分解方法分解出一个与语音信号有关的子空间和与噪声信号相关的子空间,通常是由奇异值分解或特征值分解来完成。然而,由于传统的子空间分解算法是脆弱的,容易受大噪声影响并使其分解精度变低,因此在低信噪比的情况下导致增强后的语音信号中有大量的残留噪声。本课题提出了基于低秩和稀疏矩阵分解(JLSMD)子空间方法的语音增强算法。在该方法中,本课题首先将带噪语音信号数据改为Toeplitz矩阵和估计其纯净语音信号矩阵的有效秩。然后通过基于JLSMD的子空间分解,分解得到对应于增强后语音的低秩分量和对应于噪声信号的稀疏分量。同时本课题将JLSMD算法扩展到有色噪声的情况下,对有色噪声进行预白化处理,改进了合成分析方法,使其应用性更广。将JLSMD算法在高斯白噪声和现实世界的噪音的情况下进行了实验。实验结果显示在许多类型的强噪声条件下,该方法比传统方法产生更少的残留噪声,而且使语音失真更低。本课题的方法和工作成果如下:1.在白噪声的情况下,提出了基于JLSMD的子空间语音增强算法,比原子空间算法去除了更多的残留噪声,使语音失真度更低。2.在有色噪声的情况下,改进了基于JLSMD的子空间语音增强算法,使其实用性更广,同时比传统基于SVD子空间算法增强语音效果更好。