Este documento presenta un sistema de supresión de eco que combina un cancelador de eco acústico lineal (AEC) con una red recurrente convolucional compleja profunda (DCCRN) para la supresión de eco residual. Los coeficientes del filtro del AEC se ajustan en subbandas utilizando el algoritmo de mínimos cuadrados normalizados de error de signo (NSLMS). El NSLMS se compara con el ampliamente utilizado mínimos cuadrados normalizados (NLMS), y se estudia la combinación de cada uno con el modelo propuesto de supresión de eco residual profundo. También se estudia la utilización de un modelo de eliminación de ruido de voz de aprendizaje profundo pre-entrenado como alternativa a un supresor de eco residual (RES). Los resultados mostraron que el rendimiento del NSLMS es superior al del NLMS en todas las configuraciones. Con la salida del NSLMS, el RES propuesto logró un mejor rendimiento que el modelo de eliminación de ruido de voz pre-entrenado más grande. Especialmente, el eliminador de ruido tuvo un rendimiento considerablemente mejor en la salida del NSLMS que en la salida del NLMS, y la brecha de rendimiento fue mayor que la brecha respectiva al emplear el RES, lo que indica que el eco residual en la salida del NSLMS se asemejaba más a ruido que a voz. Por lo tanto, cuando hay pocos datos disponibles para entrenar un RES, un eliminador de ruido de voz pre-entrenado es una alternativa viable al emplear el NSLMS para el AEC lineal previo.