混合信号的盲源分离是在源信号与传输环境都未知的条件下,仅根据一组源信号的混合信号来分离出各个源信号的过程。由于其重要的理论价值,盲源分离在众多科学领域都得到了广泛应用,如图像处理,语音信号处理,生物医学信号处理,雷达信号探测以及无线通信等。在智能机器人的听觉系统中,传感器的个数往往比较少,使得检测信号个数少于源信号个数,形成了欠定盲源分离问题。并且,当信号源在移动时,此时信号的混合方式不仅未知而且是变化的,以至于进一步增加了盲分离的难度,由此形成较复杂的动态情况下的欠定盲源分离问题。本文针对这一内容展开研究,主要作出了如下创新性工作：1、在传输信道不变,即混合方式固定情况下,针对源信号个数多于观测信号个数的欠定盲分离问题,本文提出了一种基于选择有效时频点的混合参数估计的欠定盲分离算法。当源信号在时频域具有稀疏性时,由两路观测信号在时频域的比值所提取出的相对衰减和相对延迟具有聚类特性,传统的DUET算法大多是直接通过聚类算法或直方图方法来估计混合参数。本文提出一种由能量选择有效时频点,再对有效点进行模糊C均值聚类来估计混合参数的方法,聚类效果明显增强,并大大提高了分离算法性能。2、在动态环境,即混合矩阵时变情况下,结合批处理分离算法和自适应在线算法的优点,针对欠定模型,本文提出了分块自适应的在线盲分离算法。把传统分块的独立分量分析(ICA)的思想扩展到欠定盲分离中,从而实现动态情况下的欠定盲源分离算法。在连续时变环境中,每一帧内采用上述改进的静态离线算法,为追踪混合参数的变化,用上一帧的聚类结果作为下一帧参数估计的初始值,代替传统模糊c均值聚类中的随机初始化。