盲源分离是近十几年新兴起来的一个研究课题,在许多领域都有着重要的应用,已经成为现代信号处理领域中的一个新的研究热点。盲源分离是指在不知道源信号和混叠系统先验知识的情况下,仅根据来自传输系统的观测信号分离或估计出各源信号的过程。独立分量分析方法是其中最具有代表性的算法,但是其使用的前提是观测信号数目大于或者等于源信号的数目,即系统属于超定或者正定情况。当观测信号数目小于源信号数目时,即为欠定情况,更加符合实际情况。由于可以事先确定传感器的数目,欠定盲源分离技术更加实用。本文主要研究线性瞬时混合模型下的欠定盲源分离技术,涉及到混合矩阵估计和源信号分离问题,主要包括以下两方面的内容：(1)一种基于粒子群和K均值混合聚类的混合矩阵估计算法。混合矩阵估计算法是欠定盲源分离中的关键性问题之一。针对传统的K均值聚类算法对初始值设定要求较高,容易落入局部最优解,且对孤立点和噪声比较敏感的缺点,本文采用一种基于粒子群优化和K均值算法的混合聚类算法。通过在粒子群算法运行过程中通过引入随机变异操作提高混合算法的全局搜索能力,并根据群体适应度方差来确定何时执行K均值算法,同时利用网格密度法修正聚类中心,增强了混合算法的局部搜索能力的同时提高了混合矩阵的估计精度。计算机仿真实验结果表明该算法在稳定性和混合矩阵估计精度上都有了明显改善。(2)一种基于压缩感知的源信号分离算法。在混合矩阵已知的情况下,通过分析CS和BSS基本数学模型间的相似之处,建立了基于压缩感知的欠定盲源分离模型,然后利用压缩感知理论中的信号重构算法来分离源信号,针对基于基追踪的l1范数最小化算法运算复杂度高,收敛速度慢的缺点,采用CS重构算法中的正交匹配追踪算法,并对标准正交匹配追踪算法中基于内积的原子匹配方法进行了改进,采用相关系数法进行原子匹配,在不影响语音重构质量的前提下,降低了重构算法的运算复杂度,减少了重构算法的运行时间。计算机仿真实验验证了算法的有效性。