噪声信号的干扰一直是困扰我们日常生活的问题,并且随着语音类电子产品地广泛普及,这类问题的影响依然没有减弱,因此获取高质量的目标语音信号对于提升听觉感知质量是十分必要的。近年来,深度学习方法的引入显著地提高了语音增强方法的降噪性能,然而如何提高深度学习语音降噪方法的泛化性和高效性是当前研究中亟待解决的关键所在。为了更好地解决真实场景中的语音降噪问题,论文以基于深度学习的单通道语音增强为研究方向,从降噪性能、泛化性以及运算量优化这几个方面开展了研究工作,具体内容如下:（1）对于语音降噪任务而言,如果可以事先知道语音产品的应用场景以及可能出现的噪声类型,那么就可以进行针对性地优化并提高语音增强算法的降噪性能。因此,针对特定应用场景的语音降噪任务,提出了一种基于环境注意力引导的分支降噪神经网络模型,通过引入先验的环境信息来进行降噪。在所提出的“分类+增强”的多目标学习框架中,首先训练了一个噪声分类网络来区分每帧信号的噪声类型,并以此为引导来训练降噪网络的不同分支,使其逐渐学习到针对不同噪声的降噪能力。同时,采用了“专用支路+通用支路”的处理模式,既保留了特定噪声特定处理的策略,又充分利用了不同噪声类型之间的互补性优势,使得模型能够获得最大化降噪性能收益的同时,也改善了模型的泛化性能。实验结果也表明,所提出的模型不仅在已知的噪声环境中实现了语音质量和可懂度的提升,而且在一些未经训练的突发噪声环境中也可以获得不错的降噪性能表现。（2）当应用场景不确定时,就需要一个通用的语音降噪模型来应对任何可能出现的噪声类型。捕获语音信号的时序依赖性和多目标增强是提高深度学习语音降噪模型泛化性的两个有效手段。因此,针对通用的语音降噪任务提出了一种能效比更高的多尺度卷积时序建模方法,设计了一个前向堆叠的多尺度时间卷积网络（Multi-Scale Temporal Convolutional Network,MS-TCN）模型,在残差模块中进行更细粒度的多尺度时频特征分析。为了利用频谱映射和掩蔽目标之间的互补性,MS-TCN模型对理想比值掩蔽和对数功率谱两个目标进行了联合学习,进一步提高了模型在不匹配测试环境中的降噪效果。实验结果表明,与经典的递归结构的模型相比,所提出的MS-TCN模型不仅在降噪性能方面有优势,而且模型的参数量和运算量也更小。（3）针对通用的语音降噪模型在低信噪比噪声情况下性能表现较差的问题,同时对带噪语音的相位和幅度进行增强是改善性能的有效手段。论文提出了一种考虑了相位增强的空洞卷积网络（Phase-Enhanced Dilated Convolutional Network,Phase DCN）模型,通过对复数谱的映射来实现同时增强带噪语音幅度和相位的目的。Phase DCN模型通过两个多尺度支路分别对复数谱和理想比值掩蔽进行建模,以实现两者的优势互补。在多目标联合学习过程中,将复数谱作为主要目标,理想比值掩蔽作为辅助目标,利用辅助路径的中间特征生成注意力门控因子用于区分不同频点上的语音或非语音分量,从而更好地对复数谱进行映射。实验结果表明,所提出的Phase DCN模型不仅实现了更好的相位估计精度和降噪效果,而且保证了其在说话人、噪声和信道不匹配的情况下更好的泛化性表现。（4）考虑到通用语音降噪模型部署平台的不确定性,实现降噪效果和高效性的平衡也是一大挑战。在前面工作的研究基础上,进一步利用了多目标学习对模型泛化能力的贡献,提出了一个能效比更高的两级建模的语音增强模型（Multi-Target in Multi-Stage,MT-in-MS）。所提出的MT-in-MS模型将掩蔽目标、映射目标和统计模型语音估计器融合起来,采用两级建模的方式对三个目标进行联合学习和优化,既保留了Phase DCN在相位增强和降噪性能方面的长处,又集成了传统统计模型性能鲁棒的优点,最大程度地发挥出它们的互补优势。实验结果表明,与目前最先进的两种语音增强模型相比,MT-in-MS模型不仅实现了在说话人、噪声和信道不匹配的情况下的降噪性能优势,还进一步降低了50%的模型参数量以及至少80%以上的运算量。论文通过对基于深度学习的单通道语音增强方法的深入分析和研究,针对目前的技术瓶颈和痛点,提出了新的解决思路和方案,进一步提升了算法的降噪效果、泛化性以及高效性。