针对频率域语音增强算法中因相位混乱产生人工伪影，去噪性能受限、语音质量不高的问题，提出多尺度阶梯型时频Conformer生成对抗网络。将语音语谱图的实部、虚部和振幅谱作为输入，生成器首先在多个尺度上利用时间-频率Conformer学习时域和频域的全局及局部特征依赖；随后利用Mask Decoder分支学习振幅掩码，Complex Decoder分支直接学习干净的语谱图，两个Decoder分支的输出进行融合得到重建后的语音；利用指标判别器判别语音的评价指标得分，通过极大极小训练使得生成器生成高质量的语音。在公开数据集VoiceBank+Demand的实验结果表明，相较于目前各类语音增强模型，该算法在多项主客观语音质量评估方面的评分均处于领先水平，客观语音质量感知评估得分和主观语音噪声失真得分较MetricGAN分别提升了17%和21%。