盲信号处理是当前智能信号处理学科中十分受关注的研究领域,盲分离(BlindSource Separation,BSS)是其中的主要分支之一。盲分离是指仅根据观测到的混合信号对信源或混合系统进行估计的过程,它在通信、生物医学、语音增强、图像重建、金融数据分析等多个领域有着巨大的应用前景。随着研究的不断深入,卷积混合语音信号的盲分离问题是目前盲信号处理领域的研究难点,论文在前人研究的基础上,针对卷积混合语音信号盲分离算法做了进一步探讨和研究。论文从盲分离的基本模型和前人解决盲分离问题的一般方法入手,引出实际中的语音信号盲分离问题。考虑到语音信号传播过程中可能出现的时延、反射及麦克风阵列的滤波效应,从麦克风阵列观测的语音信号大多以卷积方式混合,因此选择卷积混合模型更符合实际情况。论文针对卷积混合模型,讨论如何利用语音信号特性从时域上来解决语音信号的盲分离问题。通常采用频域方法来解决卷积混合盲分离问题。频域方法不仅存在频率置换模糊,这种模糊性是盲分离固有的分离信号排列顺序不确定所引起的,而且通常在逆变换过程中会引入噪声。为此,论文提出了两种从时域上解决卷积混合盲分离问题的方法,第一种方法是直接在时域上定义代价函数,通过对观测值构成的空时相关矩阵联合对角化和迭代寻优过程找到分离矩阵,这种方法考虑了源信号是非平稳的情况,这一点和语音特性是相符的。第二种方法是通过重新定义信号向量将卷积混合模型变换成瞬时混合模型,然后利用瞬时混合模型的盲分离算法来实现语音信号的分离,该方法直接针对的是实际中的语音信号混合情形,因此更具有普遍性。同时,论文还提出了利用语音的短时平稳特性实现全局最优的白化算法,有效地提高了噪声条件下卷积混合语音盲分离的性能。