语音信号在日常生活和工作的各个方面都起着非常重要的作用。而语音信号又经常会受到各种各样噪声的干扰,严重影响信息的获取,甚至会造成语音处理系统的失效。因此,需要对含噪的语音信号进行去噪处理,抑制噪声,提高通信质量。本文主要对基于子带分解的分数阶傅里叶变换的语音增强算法进行了研究,在子带分解的系统中应用分数阶谱减法估计语音模型参数,再应用卡尔曼滤波进行进一步的音乐噪声的消除。分数阶域的语音增强主要包括谱减模型改进、最佳变换阶次的选取等内容。本文首先介绍语音特性及噪声特性,然后分别从基于语音生成模型方法,非参数方法,基于统计模型方法以及其他方法简单阐述了语音增强的基本算法。接下来,研究分数傅里叶变换的基本定义,并简单介绍分数傅里叶变换的基本性质和分数傅里叶变换离散算法的四种途径。在此基础上研究分数阶域的最优滤波算子原理和最佳变换阶次的确定。相对于传统谱减模型进行的改进,分数阶谱减法首先要确定最佳变换阶次,同时在最佳变换阶次下进行分数阶域带噪语音信号处理,最后插入相位系数,实现语音和噪声在分数阶域上的最佳分离。但是鉴于噪声估计的经验性模态假设,虽然在自相关基础上提高了检测效率,但不够稳定。所得功率谱估计值将会丢失一定的原始语音信息,并且会产生音乐噪声,对听觉效果产生影响。卡尔曼滤波采用参数方法,依赖于使用的语音生成模型,能够对音乐噪声进行良好的抑制,但是由于使用迭代方法,算法复杂度较高。本文采用子带分解技术,将带噪语音信号分解成M个子带,在确定最佳变换阶次的前提下,利用分数阶的谱减法对卡尔曼滤波前的语音参数模型的功率谱估计加以改进,提取该变换阶次下的含噪信号幅值特性,作为子带分解的卡尔曼滤波器的输入,从而在分数阶谱减的基础上进一步实现对音乐噪声的抑制。最后在理论分析的基础上,应用分段信噪比和PESQ两种语音评价测度,针对不同信噪比下的加性高斯白噪声、粉红噪声、工厂噪声环境,对本论文方法进行仿真实验分析,并比较纯净语音信号和增强后语音信号的时域波形相似度。分析结果表明本论文采用子带分解降低了卡尔曼滤波的模型阶数,在分数阶谱减法的基础上能更好地估计卡尔曼滤波语音参数模型,并且能进一步抑制音乐噪声的产生,具有较好的增强效果。