盲源分离是指在源信号和信道传输模型未知的情况下,根据源信号的统计特性将源信号从观测信号中恢复出来的过程。近年来,盲源分离成为信号处理和人工智能领域的热门研究课题。在盲源分离算法中,独立成分分析(ICA)算法由于对应用环境的要求较少,受到广泛地研究和应用。本文在ICA算法的研究基础上提出了两种改进算法,并将其应用到语音信号分离中。本文提出了一种基于负熵的FastICA改进算法。该方法选用负熵的负值作为算法的目标函数,并利用计算复杂度低且稳定性好的共轭梯度算法替代牛顿法求解目标函数,从而有效解决利用牛顿法求解时存在的计算复杂度高和对初始值敏感等问题。仿真实验从运行时间、迭代次数以及PI性能指数三个方面验证了改进算法的有效性。传统自然梯度算法采用固定的步长因子,无法解决算法的收敛速度和分离效果之间的矛盾;变步长自然梯度算法虽然可以动态地调整步长因子,但是往往不能对信号的分离程度进行有效的追踪。针对上述问题,本文提出了一种新型的自适应自然梯度算法。该算法利用分离信号之间的相似度定义信号的分离状态,进而控制步长因子的选择,同时在算法中引入动量项,进一步提高算法的收敛速度。实验结果表明,本文提出的自适应盲源分离算法具有更优的分离性能。