盲源分离是指在不知道源信号分布和混合系统的情况下，仅根据观测到的混合信号恢复源信号的过程。由于盲源分离无需知道信号的先验信息，从而在信号处理领域得到广泛的应用，语音盲分离更是因为其实用性成为其中研究的热点。语音分离技术对计算机听觉、语音识别等方面的研究具有重大意义，同时高质量的语音通信、助听器、电话远程会议系统也都得益于此，因此，语音盲分离的研究具有非常重要的理论价值和应用价值。本文就语音信号盲分离进行了研究，主要有以下几点：(1)提出了一种基于最小互信息和MLPs、RBF神经网络的语音信号盲分离算法。该算法是在infomax算法的基础上，结合前向型神经网络的信息后向传播，优化目标函数，在分离过程中尽可能的提取信号的独立分量，把信号分离出来。同时比较了两种网络在该算法下对分离语音信号的优化性能，仿真实验表明，该算法能够成功的分离混合语音信号，并且RBF网络比MLPs网络性能更好。(2)提出对于语音信号盲分离而言最佳的时—频分析窗结构。在基于时—频分析的盲分离中，窗函数的长度和形状对分离语音信号的性能有着重要的影响。本文实验仿真并比较了在不同窗函数和窗长下分离语音信号的性能，实验表明对于语音这种短时平稳信号，窗长选择为256时可取得最佳的分离效果。(3)针对语音的短时平稳性，详细分析了语音帧长和互信息之间的关系，语音间统计独立性随语音帧长的减小而增强。在帧长小于100ms时，语音信号间的互信息量显著增强。由此指出，尽管盲源分离算法能够以批处理方式分离语音信号，但用于实时语音环境中分离信号还存在一定的局限性。