盲源分离就是根据混合得到的混合数据向量确定一个变换，以恢复原始信号或信源。语音盲分离作为盲源分离技术的典型应用和重要分支，是当前信号处理领域的一个研究热点，在语音识别、辅助听觉、手机去噪等诸多应用中都有着重要的实用价值。本文针对线性瞬时混合语音信号的盲分离做了研究，研究了自然梯度算法、小波包盲分离算法和空间时频分布的盲分离算法，并通过仿真对比实验，证明了这些算法的有效性和优越性。具体的研究工作如下：第一，研究了一种变步长的自然梯度盲分离算法。为解决固定步长自然梯度算法带来的收敛速率与稳态误差之间矛盾的问题，根据实时分离度自动调整步长，设置两个参数作为分离度的系数分别控制收敛速率和稳态误差。仿真实验结果表明相较固定步长算法，该算法具有较好的分离性能，收敛速率提高了1倍，同时稳态误差缩小了3倍。第二，提出了一种结合峭度和小波包的盲分离算法。通过小波包变换降低信号的混合程度，即对混合语音信号做小波包分解，根据峭度非高斯性度量的性质，选择峭度最大的节点为最佳小波包分解节点，从而在小波包域降低了源信号的混合程度。应用FastICA算法迭代求取分离矩阵，最终得到源信号的估计。仿真实验结果表明，该方法相较时域的FastICA算法和其他小波包FastICA方法，分离性能明显提高。第三，研究了一种基于单自项点选择的SPWVD的盲分离算法。为了提高混合酉矩阵的估计精度，通过空间时频分布矩阵特征值选择单自项点，对只有单一特征值的时频分布矩阵进行联合对角化并在对角化过程中剔除对角化最差的分布矩阵，并且通过估计噪声方差，在求混合信号空间时频分布时进行噪声补偿，降低了噪声的干扰。仿真实验结果表明，算法的分离效果较好，并具有很好的鲁棒性。