在人工智能越来越成熟的今天,语音技术已成为一个关键的人机交互接口。然而现实生活中的各种背景噪声,严重地干扰了语音交互。为提高语音交互效果需要进行语音增强,过滤掉语音交互中的噪声信号,提高沟通语音的清晰度、理解度和流畅度。传统的语音增强算法中,谱减法存在着出现“音乐噪声”的缺陷,其他算法也存在着难以处理非平稳性噪声等弊端。针对此,本文基于平稳快速递归最小二乘法(SFTRLS)与卷积神经网络(CNN)对语音增强算法展开研究,论文主要贡献如下:(1)提出一种基于CNN的噪声识别算法。该算法针对不同种类的噪声对语音信号造成不同影响,识别出环境噪声的种类参数,让增强模型可适用于不同的噪声环境,提高算法的自适应能力。实验结果表明,CNN的噪声识别率高达99.97%,相比于基于KNN模型、支持向量机的噪声识别算法,本文所提的噪声分类算法效果更佳。(2)提出一种结合CNN与SFTRLS的语音增强模型--SFTRLS-CNN。该模型以噪声识别的输出为输入,利用SFTRLS算法收敛性能和对非平稳噪声抑制性比一般传统算法效果更好以及对遗忘因子依赖较强的特点,通过线下训练学习到SFTRLS针对每种噪声处理的最佳遗忘因子。在线上运用中,算法匹配到最佳的遗忘因子系数,然后通过SFTRLS对含噪语音进行增强处理。实验表明,该算法的学习可达到99.40%的准确率;同时相比一般的SFTRLS,语音感知质量评价PESQ值(主观语音质量评估值)更高,失真程度也更小。