盲信号分离是指在不知道源信号和传输信道先验知识的情况下，仅由观测到的混合信号来恢复或分离出源信号。它广泛应用于生物医学、图像处理、无线通信和语音增强等领域，因此引起了信号处理学界和神经网络学界的共同兴趣。目前，盲信号分离理论仍存在许多问题有待深入研究，盲信号分离算法的性能需要进一步提高。为此，本文在总结前人工作的基础上，深入研究了盲信号分离理论，提出了一些新的算法，主要内容概括如下：　　 1.研究了基于互信息的卷积混合语音时域盲分离问题。以互信息最小化作为分离准则，提出了一种适用于非平稳语音卷积混合信号的时域盲分离算法。其目标函数同时考虑了语音信号的短时平稳性和长时非平稳性，在短时间段中计算平均互信息，在长时间段中引入权值因子，对短时间段中计算得到的平均互信息进行加权；其分离矩阵的更新采用快速收敛的自然梯度算法；其“去白化”的后处理步骤提高了分离语音的自然度。仿真实验和分析表明了算法的有效性。　　 2.研究了源数目未知情况下的欠定盲信号分离问题。基于稀疏表示，将时频分析与聚类算法结合，提出了一种无需知道源信号数目即可以分离欠定延迟混合信号的盲分离算法，弥补了“退化解混估计技术(DUET)”中将源信号数目作为已知条件的不足。该算法首先使用短时傅立叶变换获得混合信号的稀疏表示，然后引入URCP(Unsupervised RobustC-Prototypes)聚类算法代替DUET中基于直方图的算法完成对混合参数的准确估计，最后使用二值时频掩蔽函数完成信号的分离。实验结果验证了算法的有效性，显示该算法在保持分离语音信号质量的前提下较DUET在信号干扰比上有着很大的提高。　　 3.研究了基于稀疏性的欠定盲信号分离问题。提出了一种新的解决欠定延迟混合盲信号分离问题的方法。该方法在进一步研究DUET算法的基础上，放宽了对信号的稀疏性假设，允许源信号之间在时频域上存在一定程度的重叠。特别地，任何时频点上重叠的源信号的数目不能超过观测信号的数目。该方法首先使用URCP聚类算法对混合参数进行估计，接着根据估计值将混合信号的所有时频点分为两个区域，即不相交区域和重叠区域，然后对这两个区域分别进行处理。实验结果表明，这种方法较DUET在信号干扰比增益上有着很大的提高。