盲源分离指的是在源信号和信道都不知道的情况下,只是通过观测信号恢复原始信号的技术。由于在医学信号处理、语音信号分离、传感器网络等方面有着广泛的应用,因此近些年来,盲源分离技术一直是信号处理领域中比较热门的研究方向。盲源分离中欠定盲分离技术是指观测信号个数小于源信号个数的情况,由于在实际中应用的十分广泛,因而在学术界获得了持续的关注。对于欠定盲源分离,要根据源信号的不同稀疏度,采用不同的方案来解决。一般按照“两步法”的方式处理:(1)估计出混合矩阵,(2)在混合矩阵已知的基础上,进行源信号恢复。混合矩阵的估计在欠定盲源分离中占有极其重要地位,估计的精度直接影响着第二步源信号的恢复质量。估计混合矩阵时根据源信号不同的稀疏度分为充分稀疏时的混合矩阵估计和非充分稀疏时的混合矩阵估计。本论文的主要内容是针对“两步法”中的第一步,混合矩阵的估计进行了研究。(1)源信号充分稀疏时,可以利用观测信号的线聚类特点进行混合矩阵估计。本文介绍了三种源信号充分稀疏时的混合矩阵估计算法,k均值算法,霍夫变换算法和重构观测信号算法,并提出了一种基于块分割的混合矩阵估计算法。通过仿真实验将块分割算法与另外三种估计算法进行了比较,验证了本文提出的算法在时间复杂度和估计精度比另外三种算法更有优势,另外,对于不同的稀疏度,块分割算法的估计精度同样比k均值算法要好。(2)源信号非充分稀疏时,可以利用观测信号的面聚类特点进行混合矩阵估计。本文介绍了三种非充分稀疏时的混合矩阵估计算法,k-plane算法,k维子空间算法和聚类平面势函数算法,并在k-plane算法的基础上,提出了改进的k-plane估计算法。通过仿真实验将改进的k-plane算法与另外三种估计算法进行了比较,验证了改进的k-plane算法在时间复杂度和估计精度方面的优势。