近年来,语音信号的盲分离逐渐成为了盲信号处理的一个研究热点,它在移动通话、语音识别、语音定位以及视频通话等很多领域都具有广阔的市场和应用前景。在真实的室内环境中,语音从信源传递到接收器的过程中存在多径效应,也就是有延时、反射、折射等影响,会产生较大的混响成分。因此,一个接收器接收到的信号一般都不是线性瞬时混合的,而是卷积混合的。本文对语音卷积盲分离理论进行深入的研究,设计模拟室内环境的语音盲分离实验方案,研究卷积盲源分离频域算法的残留串音干扰问题和室内强混响情况下的语音盲分离问题,并提出改进算法,进而提高分离算法的性能。论文的主要内容如下:1.频域独立分量分析（Independent Component Analysis,ICA）算法在进行短时傅里叶变换时其帧长既要满足语音信号平稳时间的要求,又要大于混响时间。然而在通常情况下,两者是不能同时满足的,语音信号平稳时间要远远小于混响时间。因此,当帧长小于或几乎等于混响时间时,ICA算法计算出来的分离矩阵就会出现不完全收敛的情况,从而导致分离出来的语音信号中存在串音干扰,降低了算法分离性能。针对上述问题,本文提出基于维纳滤波和频域ICA算法的语音盲分离算法。首先通过频域ICA算法分离语音信号,然后采用联合排序算法解决排序不确定性问题,最后引用维纳滤波算法作为后置滤波,滤除可能存在的一些干扰语音信号和残留噪声,从而提高和增强分离语音信号。最后通过实验仿真证明所提算法能显著提高分离效果。2.在真实室内环境中,特别是在强混响条件下,语音盲分离算法的性能将会严重下降甚至失效。在无噪声条件下,混响语音的质量主要依赖于两个不同的感知成分:早期混响和回声。本文提出一种基于二阶去混响的室内混响语音盲分离算法。接收器接收一段混响语音混合信号,首先对其进行二阶去混响处理,分两个阶段进行。第一阶段,通过一个逆滤波器来抑制早期混响;第二阶段,采用谱减法减少回声的影响;然后再将目标信号转到频域,采用独立向量分析算法避免排序不确定性问题,分离语音信号,最终恢复为时域语音信号。然而,当处于强混响环境中,二阶去混响算法抑制混响效果下降,导致分离出来的语音信号中仍会存在串音干扰,为此,提出基于维纳滤波和二阶去混响的室内混响语音盲分离算法。实验表明,所提算法能显著提高分离效果。