盲源分离的基本思想是仅从若干个传感器接收到的观测信号中分离、提取出无法直接观测到的各个源信号的过程。根据信号混合方式的不同,盲源分离又可以分为线性或非线性混合模型。目前主要研究的是线性混合模型,包括线性瞬时混合和线性卷积混合。线性瞬时混合模型的研究已经非常成熟,并且已经应用在很多领域之中。独立成分分析(ICA)是最常用的盲源分离方法。然而在实际环境中,信号的传输往往会受到很多因素的影响,源信号的数学混合模型更逼近与卷积混合的方式。本文主要是基于ICA对盲源分离频域算法进行研究,主要包括以下几个方面:第一,详细介绍了盲源分离的理论基础,同时还系统地介绍了独立成分分析的基本原理和性质,包括ICA的模型、约束条件以及特有的不确定性特征。并且深入研究了独立成分分析的几种典型的目标函数和优化算法。第二,介绍了卷积盲源分离频域算法的基本原理,对复数域上的盲源分离算法进行详细的介绍,深入探讨了ICA固有的幅度不确定性和排序不确定性问题对盲源分离频域算法的影响。第三,针对盲源分离频域算法排序不确定性问题,主要研究了语音信号经过短时傅里叶变换后,在每个频点上分离信号的特征。细致地分析了传统基于相邻频率间幅度相关性排序算法,然后提出了基于短时平均幅度函数和门限值判断分离不理想频点的改进幅度相关排序算法,仿真实验验证了算法的有效性。第四,研究了波达方向(DOA)排序算法,深入分析了幅度相关排序算法和DOA排序算法的优缺点,然后将DOA排序算法与改进的幅度相关排序算法相结合,提出了基于改进幅度相关和波达方向的分频段排序算法。仿真实验验证了算法的有效性。第五,介绍了约束独立成分分析(CICA)的基本原理,详细研究了目标语音信号和弥漫背景噪声的功率密度谱和频域模量的统计差异性。基于语音信号模量比弥漫背景噪声有一个更尖锐分布的统计差异性,提出了一种基于模量差异性约束的语音频域盲提取算法,仿真实验验证了算法的有效性。