在传统的基于傅立叶变换的信号处理方法中,一般要求信号和噪声的频带重叠部分尽可能地少,这样在频域就可以通过时不变滤波方法将信号和噪声区分开。然而,基于小波变换的非线性滤波是完全不同的。在这种方法中,信号和噪声的频谱完全可以重叠,但是频谱的幅度(而不是其位置)要尽可能地不同。在小波域,可采用对小波系数进行切削、缩小幅度等非线性处理来达到去除噪声的目的。此外,又由于小波具有多分辨率分析的时频局部化能力,所以小波分析能有效地分析信号中的局部信息,更有利于分析非平稳信号。而现实生活中很多信号就是非平稳的,所以本文采用小波分析来进行去噪处理。本文首先采用小波阈值去噪算法对单通道信号去噪处理进行了详细研究,并针对其中的参数选取——小波函数、最优分解层次、阈值大小和阈值函数等进行了分析,提出了一种确定最优分解层次的方法。针对传统的软、硬阈值函数的优缺点,本文分析了两个典型的新阈值函数,提出了一种结合两个新阈值函数的双变量阈值函数。在小波阈值去噪算法仿真应用中,结合数理统计的知识给出了一种基于3σ准则的阈值去噪算法;通过分析语音信号的特点,根据语音信号中噪声、清音和浊音的不同特性,提出了一种噪清浊语音阈值处理算法。并通过仿真验证了所述知识点和算法的有效性和可行性。针对多通道信号瞬时线性混合的情形,本文采用独立分量分析(Independent Component Analysis,ICA)的方法进行了一些分离研究。ICA作为处理多通道数据的新方法,本文对其基础理论以及其中最为常用的快速固定点算法(FastICA)算法进行了详细地介绍,并应用FastICA算法对多路独立源信号在无噪环境下的瞬时线性混合分离进行了仿真研究。由于常规ICA算法的不稳健性,最后简单介绍了噪声环境下的ICA(noisyICA)模型,提出了基于小波去噪和ICA技术相结合的改进算法来解决noisyICA问题,并对带噪混合语音信号分离进行了仿真实验,仿真结果表明了所改进的算法在一定噪声存在的情况下可成功分离各独立分量。