盲源分离是现代信号处理领域中一个新的研究方向。它具有坚实的理论基础和广泛的应用前景。瞬时线性混合模型是一种理想的假设,在实际应用中有很大的局限性。因此,当前国内外的研究都集中于含噪混合、非平稳混合和传感器(接收器)数目少于源数目的欠定混合等问题。本文的研究工作正是围绕以上一些热点展开的。含噪混合更符合实际的应用,因此本文的研究集中在含系统噪声的盲信号分离问题,即从已知的含噪观测信号中尽可能准确地分离出源信号。不仅研究了传感器(接收器)数目不少于源信号数目的含噪盲分离问题,而且尝试研究了单通道含噪盲信号分离问题,从一个含噪的观测信号中分离出两个源信号。本文所提出的盲分离算法都是建立在变分贝叶斯学习的基础上,充分利用了每个源信号本身的时间相关特性,采用了合适的模型描述其时间结构。把系统噪声的统计特性和源信号的时间相关信息综合考虑,既能有效地减少噪声的影响,又能分离出源信号。最后,从独立成分分析的应用出发,研究了独立成分分析解决语音增强问题,分析已有的增强算法,提出更有效的噪声压缩方法。本文的创新工作如下:(1)研究了从被系统加性噪声污染的观测信号中分离源信号的问题,把有效降噪和源信号分离两个目标综合起来,提高了在噪声环境下算法的鲁棒性;(2)充分利用源信号本身的时间结构,采用相应的模型——自回归模型、泛化自回归模型和时变自回归模型,近似地描述这种时间结构,从而提高了分离结果的准确性;(3)尝试研究了具有挑战性的难点问题——单通道盲信号分离问题,建立单通道含噪混合过程和自回归源信号模型对应的状态空间模型,把源信号分离作为状态估计问题来处理,采用变分卡尔曼平滑算法估计源信号;(4)充分利用变分贝叶斯学习的优点,既考虑系统的加性噪声,又考虑源信号包含的时间信息,所提出的基于变分贝叶斯学习的几种盲分离算法不仅能避免过拟合,还可以定量地比较不同的模型,使所选择的模型更符合已知的观测数据;(5)研究了独立成分分析在语音增强中的应用。语音信号通过独立成分分析,增强了基系数的稀疏性,选择合适的概率密度函数描述这一特性,在此基础上提出了两种更有效的噪声压缩算法。