盲源分离的理论定义是指当源信号的信息量和传输信号的信息量都不知道的情况下，通过一系列变换方法获得观测信号，再通过观测的信号来恢复源信号的过程。语音信号的盲源分离应用技术作为盲源分离技术的十分重要的分支之一是目前信号处理研究领域中的一个热门问题。然而在实际的问题中，很多信号本身具有稀疏特性或者经过某种变换后使得信号具有稀疏特性，例如DCT变换、傅立叶变换、小波变换等等，因此稀疏特性成为盲源分离中不得不重视的问题，所以稀疏分量分析(SCA)算法逐渐成为盲源分离研究领域中的又一个新的研究方向。随着国内外学者对盲源分离相关问题的理论和应用领域的深入探索，利用信号的稀疏特性进行盲信号分离的问题引起了很多学者们的关注。本论文是基于Gabor的过完备字典的匹配追踪稀疏分解算法的语音信号的盲源分离。首先对混合语音信号进行稀疏分解。稀疏分解在信号分析处理过程中不可忽视，如信号识别、信号传输、信号压缩等过程。这是一种较实用的新颖的信号分解方法，其中匹配追踪(MP)算法是最实用最多的算法，其算法可以十分近似得表示源信号。MP算法是小波变换的扩展的新算法，较高的时频分辨率，MP算法不对信号的频带进行事先的划分，在已知的信号的信息量中选取最佳原子，重构后的信号相似度高更具有客观性能。因此基于MP的信号稀疏分解在时频分析、数据压缩、信号修复等多个领域都有十分广泛的应用，其稀疏分解后的结果也显示出了良好的性能。MP算法也被称为贪婪算法，算法的过程复杂互运算过程中计算量极大，极大的影响了MP算法的运行速度，因此国内外相关领域的学者在MP的基础上提出加速运行速度的相关算法。本文所研究的基于MP的快速算法是通过利用快速傅里叶变换实现较快速度的MP分解，这也是本文研究的重点之一。最后利用基于峭度的自适应盲源分离算法，通过自适应地学习算法中的激活函数使通过MP稀疏分解的混合信号实现语音信的盲源分离。由于在实际情况中，分离前的混合信号很难就有先验知识，所以本论文选择依据源信号的峭度自适应学习算法，从而得到激活函数最终实现语音信号的盲源分离，此算法经过仿真实验，实验结果证明分离效果比传统算法有了一定的改进，算法的结果具有效性。