作为最重要的语音信号处理分支之一,单通道盲语音分离已被广泛应用于现代人工智能与其它人机交互的应用领域,其中,多说话人混合语音是一个比较重要的研究热点。然而现有的单通道语音分离研究算法往往存在适应性不高、鲁棒性不强、分离效果欠佳等问题。为此,本论文借助非负矩阵分解理论,构建了两种卷积凸非负矩阵分解模型用于单通道语音分离,并且通过真实语音实验数据验证了所提出算法的有效性。本文的主要研究工作如下:1、提出了基于鲁棒卷积凸非负矩阵分解（Robust Convolution Convex Nonnegative Matrix Factorization,RCCNMF）的单通道语音分离算法。考虑到传统的卷积凸非负矩阵分解模型使用欧氏距离来定义模型的代价函数,这会使得模型对噪声和异常值较为敏感。为此,本文使用互熵准则替换欧氏距离用于估计原始语音频谱与重构语音频谱之间的误差,进而构建了RCCNMF单通道语音分离新模型。进一步,为了优化所提出的模型参数,根据乘性更新规则,推导了模型参数的迭代更新解。最后,在混合语音上进行实验,利用短时目标可懂度（Short-Time Objective Intelligibility,STOI）、信噪比（Source to Noise Ratio,SNR）等评价指标,实验结果验证了提出的单通道语音分离算法的先进性。2、提出了基于传导卷积凸非负矩阵分解（Transductive CCNMF,TCCNMF）的单通道语音分离算法。对于单通道多说话人语音分离问题,由于卷积凸非负矩阵分解模型仅能得到单个说话人的基矩阵,未充分学习到混合语音中的有效信息,使得间接得到的混合基矩阵难以有效表示混合语音频谱。为此,本文在上述模型的基础上引入了传导思想,将几个单说话人语音频谱及其混合语音频谱联合输入至模型中来直接学习出混合基矩阵,并利用KL散度（Kullback-Leibler Divergence）来评估语音分离前后的损失,进而构建了基于TCCNMF的单通道语音分离算法。然后,为了优化构建的模型,根据乘性更新规则详细推导了每个基矩阵、混合基矩阵、系数矩阵的迭代更新解。最后,在混合语音上的实验结果验证了提出的TCCNMF算法优于其它几种对比方法。