1.一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：包括以下步骤：S1.对输入的时域音频信号进行预处理，得到频域语音信号；

S2.对频域语音信号进行声学特征处理，得到特征语音信号；

S3.基于深度神经网络，构建特征语音增强网络模型FaeNet；

S4.对特征语音增强网络模型FaeNet进行离线训练，得到成熟的特征语音增强网络模型；

S5.利用成熟的特征语音增强网络模型进行在线语音增强。

2.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述步骤S1包括以下子步骤：S101.对输入的时域音频信号进行分帧处理，得到长度为N的语音帧信号y(t)：y(t)＝[y(t1),y(t2),...,y(tN)]；

其中，ti表示时间，y(ti)表示语音帧信号y(t)中时间ti所对应时域信号，i＝1,2,...,N；

S102.对语音帧信号y(t)进行DCT变换，使语音帧信号y(t)从时域变换到频域，得到长度为N的频域语音信号Y(f)：Y(f)＝[Y(f1),Y(f2),...,Y(fN)]；

其中，Y(fi)表示由时域信号y(ti)变换得到的频域信号，fi表示频域信号Y(fi)的频率，i＝1,2,...,N。

3.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述步骤S2包括以下子步骤：S201.对于频域语音信号Y(f)中任一频域信号Y(fi)，计算其声压级SPL(fi)：SPL(fi)＝PN+10*log10Y2(fi)，i＝1,2,...,N其中PN＝90.306；SPL(fi)与PN的单位均为dB；

S202.重复步骤S201,计算频域语音信号Y(f)中各个频域信号Y(f1),Y(f2),...,Y(fN)的声压级SPL(f1),SPL(f2),...,SPL(fN)，即频域语音信号Y(f)的声压级SPL(f)为：SPL(f)＝[SPL(f1),SPL(f2),...,SPL(fN)]；

S203.对于频域语音信号Y(f)中任一频域信号Y(fi)，计算其绝对听觉阈值ATH(fi)：其中，ATH(fi)的单位为dB，i＝1,2,...,N；

S204.重复步骤S203，计算频域语音信号Y(f)中各个频域信号Y(f1),Y(f2),...,Y(fN)的绝对听觉阈值ATH(f1),ATH(f2),...,ATH(fN)，即频域语音信号Y(f)的绝对听觉阈值ATH(f)为：ATH(f)＝[ATH(f1),ATH(f2),...,ATH(fN)]；

S205.在频域语音信号Y(f)＝[Y(f1),Y(f2),...,Y(fN)]中，将频率fi的声压级SPL(fi)与绝对听觉阈值ATH(fi)进行比较，如果SPL(fi)低于ATH(fi)，则将频率fi所对应的频域信号Y(fi)置为0，得到长度为N稀疏度为 的特征语音信号 其中 其中稀疏度是指信号中非零元素的个数。

4.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：步骤S1中所述的时域音频信号包括带噪语音信号和纯净语音信号，其中带噪语音信号由纯净语音信号和噪声信号混合而成。

5.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述特征语音增强网络模型FaeNet的输入为：带噪语音信号经步骤S1和S2处理后得到的带噪特征语音信号 特征语音增强网络模型FaeNet的增强目标为：纯净语音信号经步骤S1和S2处理后得到纯净特征语音信号

6.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述特征语音增强网络模型FaeNet包括一个输入层、L个隐藏层和一个输出层；其中L≥

2；输入层节点数为N，隐藏层节点数为Nl,l＝1,2,…,L；输出层节点数为N；所述特征语音增强网络模型FaeNet的激活函数采用sigmoid函数、tanh函数、ReLU函数、ELU函数或PReLU函数；所述特征语音增强网络模型FaeNet的损失函数采用均方误差、短时可懂度和主观语音质量评分。

7.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述步骤S4包括以下子步骤：S401.将带噪特征语音信号 作为特征语音增强网络模型FaeNet的输入，得到特征语音增强网络模型FaeNet的输出的估计值 将纯净特征语音信号 作为特征语音增强网络模型FaeNet的增强目标；

S402.根据均方误差、短时可懂度分值和主观语音质量评分三种损失函数对特征语音增强网络模型FaeNet的参数进行调整；

S403.获取不同的带噪语音信号和对应的纯净语音信号，按照步骤S1～S2进行处理，得到对应的带噪特征语音信号和纯净特征语音信号，并利用得到的信号再次进行步骤S401～S402；

S404.反复执行步骤S403以实现对特征语音增强网络模型FaeNet的训练；直到估计值收敛至纯净特征语音信号S405.记录此时特征语音增强网络模型FaeNet的参数，将该参数对应的模型作为成熟的特征语音增强网络模型。

8.根据权利要求7所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述步骤S402包括：计算均方误差，调整网络参数，使获得的均方误差最小；其中，均方误差是指输出信号与目标信号差的平方的期望；

将输出音频以目标音频为标准进行打分，得到短时可懂度分值，调整网络参数，使获得的分值趋近于1分，其中，短时可懂度是指语音的可懂度，即语音内容是否可以被人听懂，短时可懂度分值的最高分值为1分，最低分值为0分；

将输出音频以目标音频为标准进行主观语音质量评价，得到主观语音质量评分，调整网络参数，使获得的主观语音质量评分趋近于4.5分，其中，主观语音质量评分是指语音的质量，反映语音感知的清晰度，主观语音质量评分的最高分值为4.5分，最低分值为-0.5分。

9.根据权利要求1所述的一种基于绝对听觉阈值的深度学习语音增强方法，其特征在于：所述步骤S5包括：将待增强的时域音频信号按照步骤S1～S2进行处理后，输入成熟的特征语音增强网络模型，模型输出的语音信号即为增强后的语音信号。