语音质量评估技术是语音处理领域重要研究内容之一,它在移动通信、互联网、消费电子、数字娱乐、公共安全等领域具有广泛应用。主观语音质量评估方法通常需要较多的人力与物力资源,且耗时较多,因此客观语音质量评估方法越来越受到人们的青睐。有参考语音的客观质量评估方法需要纯净的原始语音,这在实际中有时难以获得。于是无参考语音的客观质量评估方法逐渐得到重视,特别是近年来基于深度学习的无参考语音质量评估研究已取得重要进展。但基于深度学习的语音质量评估方法参数量大,评估准确度还有待提高。针对上述问题,本文研究了基于深度学习的无参考语音质量评估方法,主要研究工作如下:（1）提出了一种基于注意力机制与卷积循环网络的语音质量评估方法。该方法用卷积神经网络和双向长短时记忆（Bidirectional Long Short-Term Memory,Bi LSTM）网络相结合,构建CBLSTM网络,从而可利用卷积神经网络捕捉局部感受野内的空间信息的能力和Bi LSTM有效记忆序列的上下文信息的能力。在此基础上,添加压缩激励（Squeeze-and-Excitation,SE）模块,通过学习特征图中不同通道间的相关性,筛选出针对通道的注意力,从而对特征图进行特征校准。此外,将基于信号损失比（Signal to Distort Ratio,SDR）的自定义损失函数用于模型拟合,提升了模型的评估性能。实验结果验证了该方法的有效性。（2）通过与有效通道注意力（Efficient Channel Attention,ECA）模块相结合,提出了基于深度残差卷积网络和双向门控循环单元（Bidirectional Gate Recurrent Unit,Bi GRU）的低复杂度语音质量评估方法。该方法以降低参数量和计算量为目标,使用Bi GRU和深度可分离卷积,并用残差网络（Residual network,Res Net）的主要结构对卷积部分进行优化,通过直接映射方式,用浅层特征信息来提升评估性能。在此基础上,分别在模型中添加SE模块和更轻量化的ECA模块,以学习不同通道的重要程度,从而对输入信息进行有效筛选,提升评估系统的性能。实验结果表明,该方法在参数量较少的情况下可取得良好的评估性能。