盲源分离(Blind Source Separation，BSS)是当代信号处理研究领域中的一个热点问题,其实质是在信源和信道环境等因素未知的情况下,仅依靠观测信号估计出源信号。独立分量分析(Independent Component Analysis，ICA)是盲信号处理领域中较有代表性的一种方法,近年来已取得较大的发展并已在生物医学信号处理、语音信号处理、通信信号处理等领域获得相当规模的应用。　　语音信号盲分离是独立分量分析技术在语音信号处理领域中的重要应用,其核心思想是通过对观测到的混合语音信号的考察得到对声源的良好估计。在语音信号盲分离研究中,卷积混合模型更加贴近现实情况,因而具有极大的理论价值和应用前景,但同样具有更大的理论难度和技术挑战。　　作为一种非常有效的解卷积方法,时频域解卷积算法把时域信号的卷积混合转化为频域信号在有限频点的瞬时混合,其有效利用了已有的瞬时混合模型下的ICA算法并巧妙规避了对解混滤波器组的讨论,使得算法的复杂度大大降低,并能获得更好的分离质量。然而,由于处理方式的特殊性,时频域算法将突出ICA的固有局限,这使得解决排序不确定性等问题成为时频域算法的重点和难点。文中尝试使用基于多判据的时频域解卷积排序算法,可一定程度上克服单一判据的不足,获得较高的排序精度。　　本文基于独立分量分析方法对语音信号盲解卷积理论和算法进行研究,主要研究内容如下:　　(1)对独立分量分析问题的起源和基本思路进行了总体阐述,并简要地介绍了相关的数学基础。　　(2)详细说明了几种常用的独立性判据,并在此基础上给出了瞬时混合模型下的常用ICA算法。实验表明,传统瞬时混合ICA算法在仿真混合情况下能取得非常理想的分离效果,但由于模型本身的局限性,其难以在更加接近实际情况的声学场景中得到理想的结果。　　(3)重点研究了基于独立分量分析的时频域盲解卷积算法。详细讨论了算法的总体流程和局部细节,指出了ComplexICA环节和排序环节对分离成功的极端重要性,并探讨了算法中窗长等参数之间存在的制约关系。最后通过大量对比实验验证了时频域算法的有效性,并使用VC++实现了基于该算法的实验演示系统。