语音分离作为语音信号处理的重要研究方向,在语音识别、语音增强等方面都有着非常积极的意义。本论文在分析和总结以往研究工作的基础上,针对欠定语音分离的难点问题(传统算法对信号稀疏性要求高、含噪分离难和分离精度低)进行研究,有效的将欠定情况下的语音盲分离应用于含噪,信号稀疏程度不够的场景下。主要成果如下:1.针对传统稀疏算法分离欠定情况精度低的问题,提出了基于直线隶属度函数算法。语音分离过程中关键的一步为混合矩阵的求解。本算法在求解混叠矩阵时利用混合信号的线性聚类特性,通过混合信号向量构造直线隶属度函数。该函数基于向量角度衡量数据隶属于到该函数所代表直线的程度。通过对该函数极值的求解来获取数据所聚类的直线,从而求解出混叠矩阵。最后通过语音信号分离实验验证,较之势函数法,该算法在欠定情况下分离出的信号的信噪比平均提高5db。2.针对传统算法在含噪语音分离精度低的问题,提出了噪声影响因子方法。依据噪声对信号数据影响的情况,提出噪声影响因子概念,对数据加以区分。在求解混叠矩阵时,加强噪声影响因子低的数据的权重,降低噪声影响因子高的数据的权重。最后通过实验验证,在含噪情况下,结合噪声影响因子后的直线隶属度函数法分离出的信号的信噪比平均提高4db。3.针对传统稀疏算法对信号的稀疏程度要求高的缺点,提出基于超平面隶属度函数的欠定盲分离算法。2005年提出的K-SCA假设较之SCA(sparse component analysis)假设,其稀疏性要求明显降低。K-SCA假设将混叠矩阵的求解转化为混合信号向量点所聚类的超平面的法向量的求解。本文在K-SCA假设的基础上提出超平面隶属度函数求解算法。该函数基于数据向量与函数变量的夹角来衡量数据向量隶属于以函数变量为法向量的过原点超平面的程度。通过对函数极值的求解来获取数据聚类的超平面,从而求解出混叠矩阵。最后通过实验验证了算法可有效的应用于信号稀疏程度不够的情况下,分离出的信号具有较高的信噪比。