盲源分离(Blind Source Separation,BSS)是一种从未知混合信号中分离源信号的盲信号处理关键技术,广泛应用于语音处理、图像处理、医学信号分解、机械故障检测等现实领域中。随着人工智能的快速发展,语音信号的盲源分离作为语音识别、语音增强、声源定位等智能语音系统的前端处理环节,发挥着举足轻重的作用。并且在实际工程中,接收混合语音数目少于声源个数的欠定情况更具有普遍性与挑战性,因此本文注重于对面向语音信号的欠定盲源分离(Underdetermined Blind Source Separation,UBSS)方法进行研究。本文基于稀疏分量分析(Sparse component analysis,SCA)思想,在经典的两步法框架下,综合运用多种信号稀疏变换方法、优化方法与压缩感知(Compressed Sense,CS)理论,实现欠定语音盲分离。其中,语音信号的稀疏优化方法与源信号恢复方法是研究重点。本文分别从基于时频变换与基于字典学习的两种稀疏优化方向考虑,研究了不同的欠定语音盲分离算法,具体工作内容如下:(1)研究了非平稳语音信号和平稳语音信号使用不同时频变换方法进行稀疏表示的方法,并在此基础上提出了一种频域贪婪稀疏优化的欠定语音盲分离源信号恢复算法。该所提算法将贪婪最优化思想引入至稀疏分量分析的源信号恢复方法中,实现不同种类语音信号的欠定盲源分离。与最短路径法相比,所提算法可以提高两路以上混合信号的分离性能;相较于平滑L0范数算法,所提算法可以有效提高来波方向较近的语音盲信号分离性能。通过仿真对比实验证明了所提算法在保持分离质量的同时具有更广阔的适用范围。(2)在现有的字典域稀疏优化方法基础上,提出基于KEMD-SimCO字典学习的源信号恢复改进算法,以增强稀疏基字典的稀疏化能力,提高源信号恢复性能。该改进方法利用经验模态分解(Empirical Mode Decomposition,EMD)增强信号的稀疏性,将K均值模态经验分解(K-means EMD,KEMD)字典作为现有SimCO字典学习方法的初始字典,提升字典稀疏化能力。(3)考虑到不同分段长度对语音信号的恢复效果不同,提出一种新颖的动态SimCO字典学习的源信号恢复改进算法,在现有SimCO字典学习算法获取语音信号稀疏特征的基础上,利用最速下降优化思想动态改变信号分段长度以获取全局最优的恢复信号,从而提高欠定语音盲源分离性能。仿真对比结果表明所提的KEMD-SimCO和动态SimCO方法都能成功实现源信号恢复,和已有的字典学习方法相比,动态SimCO字典学习的改进算法能够更充分地挖掘语音在字典域的稀疏特性,在保证运算高效率的同时提高语音恢复质量。