噪声处理一直是信号处理中难以解决的问题。无论是图像还是音频数据处理中都难免面临噪声的干扰。早期的图像处理方式大多基于SIFT、HOG等手工预提取特征后对数据进行操作,由于图像数据大多都是标准的0-255范围内多通道二维矩阵,因此更加适用于卷积计算。而音频信号大多为单声道或多声道的一维数据,处理方式上与图像特征提取任务差别甚大。以往的音频噪声处理往往借助第三方软件进行手工操作,其过程不仅效率难以保证,而且对操作者的听觉会造成一定程度的损伤。随着深度学习技术的理论发展和硬件的完善,复杂的模型结构能够有效地检测并优化噪声数据。因此,将深度学习技术引入传统音频信号处理需要进一步地深入研究。论文内容作为日本Yamaha Music公司的海外实习项目,旨在设计一系列高性能的深度学习算法,并加以整合为系统,以实现音频噪声数据检测的为前提,进一步有效地对噪声数据进行降噪处理,节省人力成本,实现高效降噪。为了解决音频噪声问题,在有效检测噪声数据的同时实现自动化降噪处理,提出了基于深度学习的噪声检测和降噪处理算法模型,并将模型作为核心功能应用模块,整合到数字音频降噪系统中。核心功能模块分为两个主要部分,第一部分作为音频噪声检测单元,利用基本的神经网络结构识别噪声数据;第二部分采用生成式对抗模型作为音频自降噪单元,将噪声数据作为生成器输入进行学习训练,利用判别器进行对抗优化,直至判别器达到纳什均衡点。在制作数据集的过程中,除了对Yamaha Music公司提供的音频数据利用现有的方法进行特征提取外,也尝试结合了非结构化数据特征提取中的句向量化和词向量化方法。然后对数据集进行划分,最终在测试集上验证算法模型的可靠性。实验结果表明,结合深度学习技术与音频特征提取方法可以极大程度提升噪声检测的效率并在识别准确率上达到了97%以上。同时,基于GANs的降噪模型能够有效增强原始音频中前景音频主体部分,并且大幅降低背景噪声干扰。目前该模型已被日本Yamaha Music公司使用。