具有提示意义的源分量以及烘托氛围的散射环境分量描述了声场景的全部内容。例如在演唱会上,歌手演唱声为源分量,观众交流欢呼声为环境分量。在声场景的感知上,源分量提供了线索,环境分量则渲染了情境。传统的通道音频回放系统中的音频处理方式忽略了源分量和环境分量在感知上的差异,模糊了两者之间的区别。为解决通道格式音频回放的适应性问题,且追求具有沉浸感的声场景,需要对两个分量采用不同的渲染方式进行处理。然而现有的通道格式音频信号只能提供混合信号,需要对源分量及环境分量进行提取。这个提取过程被称为源分量和环境分量提取(Primary Ambient Component Extraction,PAE)。PAE作为一个前端,促进了灵活、有效、具有沉浸感的空间音频回放。由于PAE问题本质上是一个欠定问题,PAE的实现依赖于具体的信号模型。本文的主要目的是对现有信号模型下的PAE算法进行分析并提出改进,尝试提出一种新的信号模型与其对应的PAE方法。主要工作内容如下:(1)讨论现有的线性估计框架下的主成分分析算法、最小二乘算法、最小失真误差下的最小二乘算法、最小泄露误差下的最小二乘算法以及环境分量频谱估计框架下的稀疏约束下环境分量相位角估计方法(Ambient Phase Estimation with a Sparsity Constraint,APES)、快速环境分量相位角估计方法的性能。结果表明环境分量频谱估计框架下的算法性能优于线性估计框架下的算法。其中APES算法的性能最好,但存在计算量大的问题。(2)提出非均匀搜索方式下的环境分量相位角估计方法(Ambient Phase Estimation with Non-uniform Searching,APEN),并且采用了客观评价和主观评价对算法性能进行分析。两种评价方法均表明APEN算法具有和APES算法十分相近的性能,且计算量远低于APES算法。(3)将上述算法应用到时移场景中,研究时移条件下的PAE方法,对算法的计算精度和空间信息保留程度进行分析。(4)提出一种新的随机符号希尔伯特去相关方法。该方法具有更加稳定的相关系数并且能够实现对梳状滤波现象的有效消除。对应于该去相关方法,本文提出一种新的信号模型和相应的不相关环境分量下的PAE算法(Uncorrelated-ambient PAE,UAPAE)。结果表明在该信号模型下,UAPAE算法拥有最高的提取精度。