盲信号分离(BSS)是指从若干观测到的混合信号中恢复出无法直接观测的各个原始信号的过程。正因为它在语音识别、无线通信以及生物医学信号处理中的有效应用,近年来,盲信号分离问题己成为信号处理研究领域中的热点。　　 盲信号分离问题按照观测信号的数目与源信号的数目的关系可以分为两种情况。当观测信号的数目不少于源信号的数目时,这种情况下的盲信号分离称为过定盲信号分离。对于观测信号的数目少于源信号的数目的盲信号分离的情况被称为欠定盲信号分离(UBSS)问题。后者是盲信号处理领域中更具有挑战性的问题。　　 一方面,独立分量分析(ICA)方法已经被证明能有效解决传统的BSS问题；另一方面,对于UBSS问题,利用信号在某种情况下所具有的稀疏特性对信号进行稀疏表示,也就是稀疏分量分析(SCA)已成为盲信号分离中的又一个研究热点。　　 针对稀疏分量分析问题的混叠矩阵估计问题,本论文主要做了以下两方面的工作:　　 (1)提出了一种新的算法来估计混叠矩阵。首先,介绍一种基于正交补空间的聚类模型,该模型是法向量聚类模型的扩展,克服了法向量聚类模型较为严格的限制条件；其次提出一种新的聚类方法,该方法结合了模糊聚类与特征值分解(EVD)方法。从仿真实验结果可以看到,该算法与硬化分聚类相比具有更好鲁棒性,并在一定程度上加快了模糊聚类算法的收敛速度。　　 (2)提出了一种新的混叠矩阵快速估计算法。通过SCA模型的理论分析,我们采用一种空间点密度检测方法进行混叠矩阵估计,该方法能够很大程度地提高算法速度。