盲源分离（BSS）是在上世纪末发展起来的一类信号处理方法，在现代通信、语音信号处理、机械故障诊断、图像处理等方面有着非常大的应用价值。随着语音信号处理在语音识别、电话通讯、人机交互、军事监听方面日益发挥着越来越重要的作用，但是这都需要用到高信噪比或者纯净的目标原始语音，在人声背景或者高噪声条件下获得特定目标人声，常规降噪方法是不能办到的，盲源分离方法可以解决这一类问题，本文探讨了语音信号的自身特性以及采集方法，对固定点算法特性做了分析；把固定点步长自然梯度算法改进；研究了卷积混叠的模型的盲分离算法；基于势函数的欠定盲分离算法做出了改进。整个文章中，做了如下的具体工作：　　1．相对其他信号，语音信号有着自己的一些特性，在对语音信号盲分离前，因而要对语音信号的自身特性做一个全面分析，在语音信号采集的时候需要有什么样的特别要求，根据语音信号的特点以及分离算法的需要，对语音信号的预处理过程做了全面的推导与分析，这样的工作对算法特性理解和算法计算量的减少有着极大的贡献。　　2．对于正定情况下的盲源分离，有着许多优秀的算法，其中固定点算法有着诸多的优点，对于语音信号自身特性，分析了基于四阶累积量和负熵这两类固定点算法，其结构不同而有不同的特性，做了噪声干扰下的分离特性分析；对自然梯度算法做了深入研究后，发现自然梯度算法分离精确度高，但是存在步长和分离速度不能同时最优的矛盾，针对这种情况提出了两类变步长的自然梯度算法，提高了迭代效率从而减小迭代次数，最后分析了噪声干扰下的语音信号分离特性。　　3．对语音信号的卷积模型在时域中的解卷积和频域中的解卷积方法做了研究，由于在线卷积的分离方法计算量大并且抗干扰能力差，针对抗干扰问题，改进并实现了在线卷积盲分离的时域方法。对时频分析的方法深入研究之后，发现该方法可以大大降低卷积混叠模型的盲分离的计算量，根据语音信号自身的幅度相关特性，实现了幅度相关性的盲分离方法，最后并对时域与频域分离方法的优劣做了分析。　　4．当前欠定盲源分离是一个极大的热门，语音信号欠定也是很常见的现象。针对目前经典的Bofill基于势函数的欠定盲源分离方法估计混叠矩阵不够准确、分离过程抗干扰能力还比较弱的问题，做了两方面的改进，通过仿真分析，验证了改进的方法比原方法有着更好的抗干扰能力和分离准确性。