人耳的听力系统在嘈杂环境中可以自动识别各类音源,专注于感兴趣的特定声音,而语音设备在这方面存在局限性。盲源分离是解决该问题很好的方法。盲源信号的分离和定位技术是语音信号处理中的重要分支,在日常生活中随处可见,应用广泛,例如语音识别,电话或视频远程会议,助听器等等。该技术的最终目的是提取出有用的或特定需要的声源,即使在强噪音环境中也能抑制其他噪声,分离出纯净的源信号并对其进行定位。在语音定位方面,近年来定位精度指标随着硅麦克风阵列技术的发展而不断提升。本文主要的研究内容是硅麦克风阵列下盲源信号的分离和定位。对于盲源信号的分离和增强,传统算法比如维纳滤波,或者独立分量分析都可以解决这个问题,但是都存在局限性。本文将两者结合,采用基于负熵的FastICA算法对语音信号进行特征提取和分离;应用维纳滤波算法,使得估计信号与ICA域中特征提取出的语音信号之间的均方误差最小,继而从接收的强噪声语音中估计出纯净的语音信号,仿真结果显示,算法增强效果较之未改进前的算法,信噪比提高了近一倍。针对麦克风阵列,推导了LMS自适应波束形成法,针对这种算法在低信噪比的环境下,语音增强效果很差的特点,提出了一种基于小波包阈值降噪预处理的新LMS算法,该算法经仿真验证,有效抑制噪声。传统的自适应波束形成算法都依赖于阻塞矩阵的性能,降低了系统的噪声抑制能力并且系统不稳定性,本文在自适应波束形成算法的基础上使用FastICA算法来替代ANC模块,提取阵列接收信号中的期望语音信号,有效提高了系统的噪声抑制能力和稳定性。对于信号定位,分析了广义互相关函数法,这种方法必须假定信号和噪声之间不相关,但是在实际情况下可能无法满足上面的假设,而且互相关方法只能用于数据采样周期的整数倍,这些因素都会给延时估计带来一些误差,针对这种应用场景,提出了一种新颖的基于参数识别的时延计算方法。此方法采用有限脉冲响应滤波器(FIR)模拟信号延迟过程,标准麦克风采样信号作为输入,另一个麦克风采样信号作为输出,通过FIR的参数识别来获得延迟时间,然后根据设计的五元十字麦克风阵列,可以求出声源位置。最后,搭建电路系统环境,包括五路音频采集模块、FPGA处理模块、音频数据处理模块、SDK算法处理模块、输出定位显示模块。将算法移植到pynq-z2开发模块,通过实验可以看出,语音增强效果明显改善,定位也明显精确。