盲源分离问题最初由鸡尾酒会问题引入,由于其应用广泛,近三十年来得到快速发展。盲源分离问题根据源信号和观测信号的数目的关系可以分为超定的盲源分离问题、标准的盲源分离问题和欠定盲源分离问题。现实场景中,声音采集设备的数量一般小于说话人的数量,因此欠定盲源分离问题更具普遍性,对欠定盲源分离问题的研究也就更有意义,但也更具挑战性。本文先介绍了K-C-means聚类算法和自适应K-C-means聚类算法,K-C-means聚类算法采用余弦距离作为样本点的相似性度量,更关注样本点方向差异;自适应K-C-means聚类算法则是根据整体聚类误差和聚类中心的个数确定最优聚类数目;然后介绍了短时傅里叶变换,作为一种常用时频分析方法,通过对时域信号加窗并作傅里叶变换,可以同时获得信号的时域和频域信息。本文的研究内容主要包含以下三个方面:一、本文针对非稀疏信号的线性混合欠定盲源分离问题提出了一种时频两步法,由于源信号数目事先未知,所以第一步需要去估计源信号的数目和混合矩阵。我们提出了最大最小值算法去筛选时频域上信号的简单点,并通过自适应K-C-means聚类算法确定源信号的数目并估计混合矩阵,数值实验表明混合矩阵估计的准确性较高。二、本文在时频两步法的第二步中,提出了时频域上改进的超平面追踪算法,在每一个时频点处寻找与观测信号最匹配的超平面,继而利用超平面恢复源信号。我们还提出了误差校正去解决源信号数目发生变化或者源信号数目估计出现偏差的情形,数值实验表明该算法可以有效的恢复出源信号。三、本文将盲源分离的思想应用于语音增强,把每一类型的噪声也当成一类特殊的源信号,然后用我们提出的时频两步法分离观测信号,继而得到我们想要的不带噪声的源信号,达到语音增强的目的。本文先在第一章介绍了我们算法中需要用到的自适应K-C-means聚类算法和短时傅里叶变换;第二章说明了如何通过我们提出的时频两步法去准确估计源信号数目和混合矩阵,继而恢复源信号;第三章说明如何通过我们提出的时频两步法去做语音增强,将噪声信号当作特殊源信号与目标源信号分离;第四章通过数值实验与分析说明我们算法的有效性和准确性,最后给出了我们的结论以及对本文工作的展望。