在现代通信中,语音会不可避免的收到外界环境干扰,这些干扰和干净语音在时域和频域上相互叠加,会造成通信质量下降,语音增强就是为了把收到干扰后形成的带噪语音尽可能还原为原来的干净语音。麦克风阵列语音增强不仅仅能利用语音的时域和频域信息,还能利用空间域的信息,通过这种联合时域、频域和空间域的增强方法在干净语音入射方向增强信号,其他入射方向上抑制信号,从而大大增强了语音增强的效果。(Generalized Sidelobe Canceler,GSC)作为麦克风阵列语音增强算法中的常用算法,结构简单并且容易实现。GSC能有效抑制相干噪声,但是不能有效抑制非相干噪声,特别是相干噪声和非相干噪声同时存在的环境下,自适应支路估计的非相干噪声误差较大,并且GSC两条支路相减反而会使空间非相干噪声增大,导致增强后的语音残留的非相干噪声较多。针对上述不足本文提出改进一种GSC估计噪声的方法,并利用深度神经网络(Deep Neural Networks,DNN)作为GSC的后置滤波器更有效的抑制非相干噪声,在介绍麦克风阵列语音增强的研究背景和意义以及国内外研究进展以及相关原理的基础上,本文的主要工作如下:1、分析GSC存在的缺点,针对GSC估计非相干噪声较大误差的缺点提出一种新的估计噪声方法,并通过实验证明新的估计方法能让GSC更准确的估计噪声。针对GSC两条支路相减会增大非相干噪声的缺点,利用高斯混合模型(Gaussian Mixture Model,GMM)作为后置滤波器,取代GSC原有的固定支路和自适应支路相减抵消噪声的简单做法对GSC算法进行改进,然后进行试验仿真用基于统计模型的GSC算法与谱减法、维纳滤波法、MMSE和基于模型的语音增强算法做性能对比。2、针对GMM的语音增强算法的不足,提出一种基于DNN的GSC自适应波束形成麦克风语音增强算法。该算法用DNN取代GMM作为后置滤波器,进一步提升了语音增强的效果。然后对所提的基于DNN的GSC算法进行实验仿真,并将其和DNN、GRU、基于统计模型的GSC算法在不同带噪环境中进行性能对比。实验表明,基于DNN的GSC算法在不同带噪环境下有较好的语音增强性能,语音质量得到了明显的改善。