盲源分离问题即在不知道源信号和传输通道的先验信息的情况下，根据源信号的统计特性，仅由观测到的混合信号恢复出源信号的过程。盲源分离应用领域非常广阔，目前已广泛应用于语音信号处理，阵列信号，图像处理及医学信号处理等许多领域。而语音信号的盲源分离是盲源分离技术的一个非常重要的分支，是当前语音信号研究的热点。独立量分析(independent component analysis，简称ICA)是盲信号处理运用得最普遍的一类算法。本文深入细致地研究了盲源分离的理论，包括盲源分离的现状、发展和盲源分离原理和处理方法等内容。在盲源分离算法的研究中，重点研究了基于峭度和最大熵的盲源分离算法。　　 在传统的随机梯度算法中，一般需对源信号的概率密度函数预先做一个假设。如果假设的概率密度函数与真实源信号差别较大的话，将对分离的结果产生较大的影响。由此，本文提出了一种基于峭度的自适应调节算法，并不需要预先假设源信号的概率密度函数，而是根据源信号的特性自动调节生成。在MATLAB上对该算法的仿真证明，该算法达到了良好的分离率。此外，在该算法中对噪声存在的情况进行了研究。在最大熵算法中，发现传统的固定步长算法不能达到较为理想的收敛速度和分离效果，从而在本文中提出了一种自适应变步长的方法，使得分离的速度更快，效果更理想。并且，本文对该算法在卷积混合的情况下也进行了实现。另外，本文给出了该算法在数字信号处理器(简称DSP)上的实现。在通过理论分析和语音信号仿真实验验证了该算法的可行性之后，本文创建了一个以DSP为核心的二维语音信号盲源分离硬件实验系统，把基于最大熵的自适应步长算法嵌入到DSP中去，探索了本算法在语音信号盲源分离中的实际应用。该系统的硬件平台采用的是ADI公司的Blackfin-533开发板。实验表明，该实验系统在一定的条件下对混合语音信号达到良好的分离效果。这与基于最大熵的自适应可变步长算法的理论分析相一致。本文提到的算法均在MATLAB上进行了大量的仿真实验，测试和评价算法分离的效果，得到了较为满意的结果。