语言是人类沟通的桥梁,但对于患有听力损失的人来说,这一缺陷严重影响了他们的日常交流。据调查,全世界听力残疾的人已接近4亿。数字助听器是解决听力障碍这一问题的有效措施,并且近几年深度神经网络（Deep Neural Network,DNN）凭借其擅长表示语音间复杂非线性关系的优势已成功应用于助听器。故本文通过优化的DNN对数字助听器中的语音增强算法进行改进,来进一步提高重构语音质量。论文所做的工作如下:（1）对数字助听器的研究现状及研究意义进行了阐述,简单介绍了助听器的工作原理和其关键技术。并着重对其中的语音增强部分进行了研究,从基于DNN和波束形成两个方面的语音增强算法出发,对其现有的研究成果进行了详细说明。（2）针对神经网络语音增强算法因特征选取不能全面表示语音非线性结构导致语音质量较差的问题,提出一种新动态特征联合自适应比率掩模优化神经网络的语音增强算法。首先提出新动态特征,通过提取带噪语音的三种静态特征进行拼接,后求两阶差分导数,捕捉语音的瞬息信号,融合成动态特征,动静结合完成特征内部互补,减少语音失真。其次,提出一种新的自适应比率掩模,它既能自适应调整语音、噪声的能量比例,又能自适应调节传统掩模和平方根掩模的比例;并用Gammatone通道权重修改每个通道内的掩模值,模仿人类听觉系统,使增强语音的可懂度和清晰度同时达到最好。最后,对不同噪声背景下的多条语音进行实验仿真,结果表明:与已有的文献中不同算法相比,该算法的信噪比、语音质量、短时客观可懂度值都较高,验证了该算法的有效性。（3）为提高数字助听器语音增强模块重构语音的听觉感知度,本文结合单、多通道处理信号的优势,提出Bark域损失函数优化的双通道DNN时频掩蔽语音增强算法。首先,为改善传统的DNN损失函数时域优化不符合人耳听觉感知的问题,提出一种Bark域加权损失函数,通过心理声学域优化DNN,来提高增强语音的客观质量;其次,为提高算法抑制方向性噪声的能力,提出基于自适应掩模的方向矢量定位法,通过精确计算语音、噪声的空间协方差矩阵和方向矢量,使其在带噪和混响的环境下也能准确定位目标声源;最后实验结果表明:与其它单、多通道语音增强算法相比,重构语音具有更好的语音质量和可懂度。