语音作为人类日常生活交流的主要形式,声音清晰、语义完整是人们进行有效沟通的前提。但是,现实世界中往往充斥着各种各样的噪声:打电话时强烈的背景音、商场里嘈杂的谈话声、汽车启动时强烈的振动声响等,只要是让人听着不舒服的声音,都可以称之为噪声。语音增强技术的出现,就是要在这些噪声传播过程中,去抑制或消除他们对接听者的影响。为了解决噪声问题,本文从基于全连接神经网络的深度学习算法入手,对神经网络结构进行了优化改进,同时提出一种联合语音相位信息增强的神经网络模型。本文主要研究内容如下:（1）带门控机制的循环深度神经网络语音增强:结合语音的时序信息特点,采用对一维时间序列处理更高效、友好的长短时记忆网络作为模型的输入层,提出RDNN网络模型。用此模型来提升增强算法的性能。并通过实验测试非指定信噪比条件下的含噪语音和真实环境噪声来验证所提算法的泛化性和现实环境的降噪能力。实验结果表明,本文所提增强算法无论是从性能还是泛化性上都表现出比传统增强算法、DNN和基于映射的DNN-GRU网络更好的降噪性能,解决了DNN网络泛化性较差的问题。并且,在真实环境噪声下的降噪效果表明,用所提算法对现实世界噪声进行降噪处理是可行的。（2）联合语音相位信息的深度神经网络语音增强:为了进一步探究语音时序信号的特点,从经过短时傅里叶变换的时序语音信号入手,加入了相位增强网络,把增强语音质量从波形合成方面进行改善。然后将原始增强网络和联合相位信息的增强网络进行实验数据对比。实验结果表明,所提算法不仅在噪声匹配时测试表现最好,还进一步提升了模型在真实环境中的降噪能力,真实环境噪声下的增强语音也达到了令人满意的试听效果。