短波通信以其抗毁性强、机动性高、传播距离远和成本低等突出优势,被大量应用于军事通信和应急通信,但由于短波通信主要使用天波传播,即利用电离层的反射进行传输,故短波通信易受到季节、天气和地理位置等不可抗力的影响,产生明显衰落,同时由于远距离传输损耗,使得短波接收的语音信号的质量大大降低,而语音信号又是短波通信的重要业务形式之一,故短波语音信号的质量较低一直是实际应用中急需解决的问题。语音增强是用于抑制语音信号背景噪声的一种技术,常用于提高语音信号的质量,传统短波语音增强如基于IMCRA（Improved Minima Controlled Recursive Averaging）的谱减法（Spectral Subtraction,SS）,利用IMCRA算法的噪声估计结果进行谱减,可以实现对背景噪声的抑制,但在低信噪比下,由于很难进行准确的噪声估计,因此背景噪声残留多,语音信号损失严重。深度学习因其强大的映射能力在语音增强领域获得了广泛应用,于是本文提出采用基于深度学习的方法来实现短波语音信号智能增强技术。与现有深度学习应用于语音增强领域所面临的问题有所不同,短波语音信号主要急需解决低信噪比和衰落严重的问题,故本文提出的基于深度学习的短波语音信号智能增强技术,主要围绕这两个问题进行研究。本文针对短波语音信号的背景噪声抑制问题,首先采用卷积神经网络（Convolutional Neural Network,CNN）实现了一种基于深度学习的短波语音降噪技术。为了进一步提升降噪性能,本文提出了IMCRA-SS-IRM-CNN（CNN based on Ideal Ratio Mask and IMCRA based SS）方法,该方法主要利用IMCRA-SS良好的降噪性能和CNN强大的映射能力相结合来增强短波语音信号,通过仿真实验证明,此方法使得卷积神经网络的降噪性能与泛化性能均有所提高,相比改进前,平均各信噪比下各改进方法的PESQ分值可提高0.1分左右。针对短波语音的衰落问题,本文从信道均衡和分集接收两个角度分别提出两种短波语音抗衰落技术。第一,从信道均衡角度,提出采用E-CNN（Equalization CNN）和IMCRA-SS-IRM-CNN对短波语音进行盲均衡和噪声抑制,并通过仿真实验对比了均衡神经网络和降噪神经网络的不同联合方法对短波语音信号增强性能的影响;第二,从分集接收的角度,提出了利用神经网络先进行支路降噪,然后再进行多路分集合并的方法实现短波语音信号抗衰落。