1.一种使用堆叠多尺度模块的端到端语音增强方法，其特征在于，包括以下步骤：S1：构建级联端到端语音增强框架，并将堆叠的多尺度模块拼接到网络结构中；

S2：在预处理阶段，将时域信号变换为二维特征；

S3：利用语音增强模块对二维特征进行增强；

S4：在后处理阶段，通过解码合成将增强后的特征表示变换为一维时域信号。

2.根据权利要求1所述的语音增强方法，其特征在于：所述级联端到端语音增强框架包括语音时域信号预处理、语音增强模块以及目标语音合成后处理；具体步骤包括：a.在时域信号预处理阶段，一维卷积被用来对输入的语音片段进行卷积操作，每一个卷积核对带噪语音y作用的结果被逐行堆叠起来，形成一个二维的实数值特征Y，启发自卷积神经网络对图片像素值的处理方式，将二维特征分离，得到绝对值特征和sgn mask；

b.带噪语音y的绝对值特征被输入到语音增强模块中增强，得到绝对值特征的估计将其与sgn mask相乘合成目标语音的特征表示：c.经过转置卷积将 变换为时域信号

3.根据权利要求1所述的语音增强方法，其特征在于：所述多尺度模块包括平均池化层，卷积核为1×1和3×3的卷积，以及不同扩张率的扩张卷积。

4.根据权利要求1所述的语音增强方法，其特征在于，还包括以下步骤：运用多目标联合优化的训练策略将语音增强的评价指标STOI与SDR融入到损失函数中。

5.根据权利要求4所述的语音增强方法，其特征在于，将STOI指标融入到损失函数中的具体步骤包括：

1)STOI输入为纯净语音x和退化语音 首先去除对语音可懂度无贡献的无声区域，然后用STFT将时域信号变换到时频域，通过将两个信号分割为50％重叠的带汉宁窗的帧；

2)进行1/3倍频带分析，划分共15个1/3倍频带，其中频带中心频率范围为4.3kHz至

150Hz，纯净语音的短时时间包络xj，m表示如下：[Xj(m-L+1)，Xj(m-L+2)，...Xj(m)]T其中X∈R为由x得到的1/3倍频带，M是一段语音的总帧数，m为帧的索引，j是1/3倍频带的索引，L对应语音的长度；

3)对语音归一化与裁剪，得到退化语音的包络表示 可懂度表示为两个时间包络之间的相关系数：其中，||·||2为L2范数，μ(·)表示相应样本的均值向量。

4)计算所有波段和帧的可懂度的平均值，可以得到退化语音的STOI计算指标：

5)将增强语音 带入到STOI计算公式中，即可得到训练过程中的STOI计算指标：其中，dj，m表示为增强语音与纯净语音时间包络的相关系数。

6.根据权利要求4所述的语音增强方法，其特征还在于，将SDR指标融入到损失函数中的具体步骤包括：

1)SDR的输入为纯净语音x和增强语音 增强语音的SDR计算过程如下：

2)对SDR优化目标进行等价变换以简化计算得到：其中，最大化评价指标SDR的过程就等价于最小化

7.根据权利要求4所述的语音增强方法，其特征还在于，将STOI与SDR评价指标融合到损失函数中，具体步骤包括：

1)计算常规的均方根误差，过程如下：

其中M和N是每条语音的采样点数与语音总条数；

2)将均方根误差与基于STOI和SDR的评价指标损失函数合并：式中，α,β,γ对应损失函数中的不同部分的系数。