语音增强是指从含噪语音中去除噪声,以提高语音质量和可懂度。目前已经有包括卡尔曼滤波在内的多种语音增强方法,其中卡尔曼滤波器的增强性能很大程度上取决于参数的估计精度,但是传统卡尔曼滤波方法中对于参数的估计存在缺陷,这会直接影响到卡尔曼滤波器的增强性能。此外由于早前的研究者认为相位对于语音质量的提高贡献有限,因此多数语音增强方法在对含噪语音进行增强时仅对幅度谱进行处理而相位则使用含噪语音相位直接代替。最近的研究表明相位对于语音质量的提高有一定作用,对相位的合理利用可进一步提高增强语音的质量。为解决上述方法在对语音进行增强时出现的问题,本文研究了基于子带卡尔曼滤波联合相位重构的语音增强方法。具体研究内容如下:（1）介绍了语音增强技术的研究价值以及国内外研究现状,描述了语音信号的常见概念,并对与本文方法有关的深度学习模型进行简要描述。（2）针对传统卡尔曼滤波器在实际噪声条件下无法准确估计线性预测系数（Linear Predictive Coefficients,LPC）导致卡尔曼滤波器在使用时出现增强性能下降的问题,提出一种基于多目标深度神经网络的子带卡尔曼滤波语音增强方法。该方法将含噪语音通过离散小波变换（Discrete Wavelet Transform,DWT）分解为含噪子带语音,计算含噪子带语音的LPC并转化为线谱频率（Line Spectrum Frequencies,LSF）。将含噪子带语音的LSF作为网络的输入,对应的纯净子带语音和噪声子带的LSF作为网络的输出。将输出的LSF转换为LPC用于构建子带卡尔曼滤波器,含噪子带语音进行子带卡尔曼滤波后得到增强子带语音,增强子带语音再通过逆离散小波变换（Inverse Discrete Wavelet Transform,IDWT）合成增强全带语音。实验结果表明,所提方法在语音质量和可懂度方面都优于几种基于卡尔曼滤波的对比方法。（3）针对传统语音增强方法在对相位处理时存在的不足以及增强过程中普遍存在的语音失真问题,提出了改进相位补偿结合谐波重构的语音增强方法。该方法通过深度学习模型估计先验信噪比并利用先验信噪比对传统相位谱补偿函数进行改进,在此基础上对增强后的语音以谐波重构的方式进行二次增强来解决存在的语音失真问题。实验结果表明,改进相位补偿结合谐波重构的语音增强方法较对比方法具有更好的增强能力,可以有效减少语音失真,提高语音质量。