语音增强是语音信号处理领域一个十分重要的研究课题,其目的在于改进带噪语音的质量。该技术不仅与信号处理理论有关,还涉及到人的听觉感知学和语音学。语音增强是一项支撑技术,对于提升其它应用系统的鲁棒性起到至关重要的作用,如目前市面上的语音识别、声纹识别等智能设备使用语音增强技术来保障其整体性能的稳定性。近年来,基于深度学习技术的语音增强方法有了长足的进步,相较于维纳滤波、卡曼滤波等传统的增强方法而言,在性能及普适性等方面都表现出了较大的优势。本文在以下几个方面开展了研究工作:1)基于深度学习的语音增强技术;2)语音增强技术在说话人识别系统中的应用;3)基于深度学习的信源分离技术。本论文所取得的具体工作成果包括:（1）提出了基于零相位的端到端语音增强系统针对于语音增强中相位谱估计问题,提出了零相位特征提取方案,并结合Unet神经网络设计了端到端的语音增强系统。在该系统所采用的目标函数方面,对原始的wSDR方式进行了改进,有效提升了增强的语音的效果。（2）设计并实施了具备鲁棒性的端到端说话人识别系统将上述语音增强系统与基于I-vector的说话人识别系统进行了融合,同时提出了说话人模型及其得分机制的改进方案。实验表明上述改进提升了基础说话人识别系统的鲁棒性。（3）依托上述语音增强系统,提出了一种完成信源分离任务的深度学习架构。在该架构中,结合信源分离的评价指标,优化了系统的目标函数。