盲源分离是指仅从若干观测到的混合信号中提取、恢复出无法直接观测的各个原始信号的过程。语音信号盲分离问题是盲源分离问题研究的初衷,本文针对正常、混合矩阵不为列满秩的欠定与含多个高斯信号的超定三种情况下的语音信号盲分离问题作了研究,主要工作如下:第一,采用一种PCA和ICA相结合的盲分离算法PCA-ICA,用于分离正常混合的语音信号。针对ICA用于语音信号盲分离时,由于数据量过大、迭代次数过多引起的收敛速度慢的问题,采用PCA和ICA相结合的PCA-ICA算法。通过PCA对混合语音信号进行白化处理,消除了原始各道数据间的二阶相关性。仿真实验结果表明PCA-ICA算法与ICA算法相比,在达到几乎相同的评价标准的情况下,迭代次数减少了90%,从而分离速度提高了3倍,有效地解决了ICA分离算法收敛速度慢的问题。第二,采用一种基于“两步法”的稀疏分量分析方法来分离欠定情况下的混合语音信号。先将混合语音信号通过短时傅里叶变换转换到频域稀疏表示,再用模糊C-均值聚类算法求得聚类中心,估计出混叠矩阵,后根据估计出的混叠矩阵由最小路径分解法恢复出源信号。仿真实验结果表明基于“两步法”的稀疏分量分析的方法能很好的将欠定情况下的混合语音信号分离。第三,研究了魏格纳时频分布与联合对角化算法,并用于分离超定混合的语音信号。为不受传统的盲源分离算法在用于语音盲分离时要求语音信号是非高斯、平稳且相互独立的问题束缚,本文首先对混叠语音信号进行预白化,计算其魏格纳时频分布矩阵,然后对其魏格纳分布矩阵用联合对角化算法,估计出混叠矩阵与源语音信号,仿真实验结果表明该方法能很好的将超定混合的语音信号分离,且在混有白噪声功率低于20dB时仍能有效的将混叠的盲语音信号分离,具有良好的抗噪性能。