语音信号是人与人之间进行信息交互的一种最简便的方式,而在日常生活中,语音信号常常伴随着各种环境噪声的污染,导致语音的质量和可懂度受一定程度的影响。语音增强的任务就是从含有环境噪声的语音中,最大程度的提取出目标语音,从而改善语音质量,提高语音可懂度。近年来,深度学习的快速发展,使得基于深度学习的方法成为实现语音增强方法的研究热点。目前基于深度学习的语音增强方法为了提高语音增强的性能,搭建的深度神经网络模型较复杂、计算量大,导致模型在进行语音增强时处理缓慢。为了解决上述问题,本文围绕基于深度学习的实时语音增强方法展开如下研究:（1）设计并实现了基于卷积准循环网络（CQRN）的语音增强方法。基于准循环神经网络（QRNN）的语音增强方法对输入的特征序列采用全连接的方式进行特征提取,忽略了语音信号的时频域局部相关性,限制了模型的增强性能。本文通过分析QRNN隐层单元的连接方式,对其隐层内的特征提取方式进行改进,提出了一种适合实时语音增强的CQRN。CQRN在隐层采用卷积层对输入的含噪语音序列时频域的二维相关性进行特征提取,同时利用QRNN并行计算的特征,保证模型的计算速度。实验结果表明,CQRN在语音增强的性能和网络模型参数量方面都优于QRNN,相比现有的语音增强方法,CQRN在保证因果形式输入的前提下,有效地降低了语音失真、更好地抑制背景噪声,得到语音质量更好的语音信号,同时验证了CQRN能够进行实时语音增强。（2）设计并实现CQRN模型的剪枝优化。基于CQRN的语音增强方法能够进行实时语音增强,但为了进一步提高模型效率,甚至能够在低算力平台上部署,本文对CQRN模型进行剪枝处理。本文将三种剪枝策略应用到CQRN模型剪枝任务中,分别为L1范数剪枝方法、网络瘦身方法和滤波器软剪枝方法。通过对CQRN进行剪枝,得到了三个不同剪枝模型,并在实验环节对其增强性能、模型结构进行了分析,还验证了剪枝模型的实时性。同时还采用Scratch-B训练策略,对剪枝模型重新训练,得到性能更好的剪枝模型。（3）设计并实现实时语音增强系统。首先分析了实时语音增强系统的需求,包括在线模块和离线模块,并基于提出的实时语音增强方法设计并实现了实时语音增强系统,最后通过测试验证了系统各个功能模块均能正常运行。