在传统的语音增强系统中,信息的采集都是按照奈奎斯特采样定理完成的。按照此定理,采样到的数据包含了原信号的所有信息,能够精确重建原信号,但是却存在着很大程度上的冗余。为了减少传输与存储所需的资源,都会压缩采样数据,在留有大部分重要信息的同时舍弃一些不重要的信息,这又将造成采样资源的浪费。压缩感知作为一种全新的理论,不是传统意义上的直接对数据进行采集,然后再压缩,而是将采样与压缩合并,在采集的过程中完成压缩,采样到的数据就是压缩之后的数目。与传统的采样定理相比较,压缩感知理论仅采取有用的信息,能够大大降低采样数目,从而能够降低采样、传输和存储的成本。因此本论文将压缩感知和语音增强算法结合起来研究,并提出了子带上的压缩感知语音增强算法。本文算法思路是将全带语音信号通过分析滤波器组分解成四个子带语音信号,其次将四个子带语音信号作离散余弦变换稀疏成四个子带的稀疏信号,再次将四个子带稀疏信号通过维纳算法滤波后编码测量重构为四个子带重构信号,最后把四个子带重构信号经过综合滤波器组合并成原始语音信号的重构信号。本文首先研究了基于压缩感知的语音增强算法。通过数学模型对CS理论的整体框架做了阐述,并就语音信号对信号的稀疏表示、观测矩阵与重构算法等三方面技术进行了仿真分析。其次研究了子带维纳滤波语音增强算法。介绍了子带滤波器组,并用子带维纳滤波器对语音信号做了仿真与分析,并研究了采样率对于滤波效果的影响。最后研究了基于子带的压缩感知语音增强算法。分别仿真了全带语音信号CS算法与子带语音信号CS算法,将二者进行了对比,得出了子带语音信号CS算法运行时间少的优点,并从稀疏度与重构误差两方面研究了噪声对于子带语音信号CS算法的影响。对奈奎斯特采样、全带CS采样、子带CS采样等三种情况下的维纳滤波算法做了仿真,再一次证明了子带CS采样下的维纳滤波算法的优点。