卷积神经网络（CNN）中采用残差连接（ResNet）和因果膨胀卷积单元（causal dilated convolutional units）已成为深度学习语音增强方法中的主流网络架构。尽管残差连接有助于训练过程中的梯度流动，但由于浅层输出与深层输出反复相加，可能导致浅层特征的衰减。为提升特征的重用效率，一种策略是融合ResNet与密集连接卷积网络（DenseNet）。然而，DenseNet在特征重用方面存在参数过度分配的问题。受此启发，本文提出一种新型语音增强CNN——残差-密集格点网络（Residual-Dense Lattice Network, RDL-Net），该网络同时采用残差聚合与密集聚合机制，且在不造成特征重用参数过度分配的前提下实现高效结构设计。这一目标通过RDL模块的拓扑结构实现，其限制了用于密集聚合的输出数量，从而在保持特征丰富性的同时控制参数规模。大量实验结果表明，RDL-Net在语音增强性能上优于仅采用残差或密集聚合的CNN架构。此外，RDL-Net显著减少了参数量，降低了计算开销。进一步实验还证明，RDL-Net在多个方面超越了当前多数先进的深度学习语音增强方法。