随着语音交互技术的发展,在实际场景中应用欠定盲源分离技术变得必不可少。欠定盲源分离广泛应用于语音分离、干扰减缓、图像处理和通信信号处理等领域,该问题的难点在于麦克风的数量小于源信号的个数。本文重点关注理想、噪声、混响环境下的欠定盲语音源分离问题。噪声与混响会影响语音质量与可懂度,也会影响欠定盲源分离的性能。如何在干扰存在的情况下,提升欠定盲源分离性能,这在实际应用中是一个非常困难的问题。本文基于稀疏分量分析思想,在两步法框架下应用字典学习技术来实现欠定盲源分离。此外,分别应用了语音降噪以及语音去混响技术来解决噪声与混响环境下的欠定盲源分离问题。具体工作内容如下:（1）为了降低不合适的训练字典尺寸对分离性能的影响,提出了一种自适应优化字典尺寸的迭代策略,用于两步法中源信号的重构。该策略通过比较候选矩阵中的原子对信号重构的贡献度,在每次迭代中对字典进行删除和添加原子,从而动态调整训练字典的尺寸大小,有效提高语音源信号的重构精度,达到提高语音欠定盲源分离性能的目的。所提算法在数据集Signal Separation Evaluation Campaign（SiSEC）上进行了测试,具有比统字典学习算法高约1～3d B的语音分离性能,因此从数据层面证明了所提方法的优势。（2）为了降低噪声对混合语音盲分离性能的影响,提出一种基于改进字典学习稀疏编码阶段的语音降噪盲分离方法。首先,利用改进SimCO稀疏编码的字典学习算法消除带噪混合语音中的环境噪声;然后,降噪后的混合语音在改进SASimCO稀疏编码的字典学习算法辅助下,执行欠定盲分离过程。最后,将Signal Separation Evaluation Campaign（SiSEC）数据集加入不同信噪比的高斯白噪声对所提方法进行了验证,降噪后的语音源分离性能提升约10%。（3）为了降低混响对混合语音盲分离性能的影响,提出一种基于混响时间估计的谱减法去混响方案。该方法首先利用卷积神经网络来估计混响时间,然后将估计的混响时间用于谱减法去混响。利用测试集对所提去混响方案进行验证,最后的去混响性能提升约16.5%。将该方案作为欠定盲源分离的前端处理方法,能够在混响存在的情况下,降低混响效应,最大程度提高欠定盲源分离的性能。