实际生活中,盲源分离技术在语音信号分离、电话会议、声纳、雷达处理、图像增强、生物医学信号处理、无线通信以及遥感等许多实际人机交互领域有着广泛的应用,对其研究一直是信号处理领域的前沿性研究课题。独立分量分析算法是盲源分离技术中最具代表性的算法,但独立分量分析存在独立性约束,及要求混合系数矩阵列满秩等的缺点。在实际应用中,这些约束条件往往不能满足,且观测信号数目少于源信号数目的欠定混合盲源分离问题更具有研究意义,而独立分量分析法不再适用。对于欠定混合的盲源分离问题,稀疏分量分析方法是处理该问题的主要方法。稀疏分量分析法应用于语音信号的分离时,当扩展到高维空间,利用短时傅立叶变换对语音信号进行稀疏变换时,频域信号的线性聚类特性不再明显,源信号数目和混合矩阵估计不准确。针对上述问题,本文从稀疏角度出发,具体做了以下几点的研究工作:　　(1)稀疏分量分析中,源信号的分离是在混合矩阵得到估计的前提下进行,故混合矩阵的估计至关重要,本文提出了在估计混合矩阵后,对其进行修正的方法,使估计值更加接近于真实值,为后面源信号的分离做很好的铺垫。其方法首先依据估计的混合矩阵对观测信号进行分类,进而求分类后每一类信号的协方差矩阵,并对协方差矩阵进行奇异值分解,最大奇异值对应的向量即为混合矩阵的某一个列向量。　　(2)源于高维情况下的线性聚类特性不再明显,拉普拉斯模型势函数法不能估计出源信号数目和混合矩阵的缺点,本文提出将层次聚类算法与拉普拉斯模型势函数相结合的方法估计源信号数目和混合矩阵。其中,层次聚类算法用来提取体现线性聚类特性的数据点,从实验验证结果分析,达到了准确估计源信号数目和混合矩阵的目的,且同时将估计过程的计算量大大降低。　　(3)根据信号越稀疏,源信号越能得到更准确的分离的思想,采用迭代子空间辨识算法进行过完备字典的迭代求解,采用该求得的过完备字典对信号进行稀疏表示,使得语音信号在过完备基表示下比短时傅立叶变换下具有更好的稀疏性。然后采用势函数法进行聚类分析,估计源信号数目和混合矩阵,然后恢复源信号在变换域的分量,进而重构得到源信号的正确估计。