盲源分离是指源信号与混合矩阵先验知识均未知的情况下，从观测到的多个混合信号中提取、分离出感兴趣信号的过程。它作为一种功能强大的信号处理方法，其研究与应用在众多领域中都有着举足轻重的地位。随着盲源分离技术的快速发展，其在信号处理和神经网络等学科领域具有重要的研究价值和实用意义。欠定盲源分离技术是一种具有广泛性和挑战性的信号处理技术，在观测信号数量小于源信号数量的情况下，处理技术将面对更大的挑战，并且其分离技术还有待进一步的发展。　　本文主要研究线性瞬时混合模型下的欠定盲源分离技术，主要通过“两步法”的稀疏分量分析算法对欠定盲源分离问题进行研究，即首先进行混合矩阵的估计，然后根据源信号的先验知识训练过完备字典，获得源信号的稀疏表示，把压缩感知信号重构算法引入到欠定盲源分离中，实现语音信号的盲分离。本文的主要研究工作包含以下两方面的内容:　　(1)混合矩阵估计的精度直接影响源信号的分离效果。针对模糊C均值聚类算法过于依赖初始聚类中心，在混合矩阵估计中精度低、鲁棒性差的缺点。本文将遗传算法和模拟退火算法相结合，相互舍短取长，提出一种基于遗传模拟退火优化FCM(GASA-FCM)混合聚类和霍夫变换的混合矩阵估计算法。该算法首先结合了模拟退火算法全局搜索、高精度的优点和遗传算法强大的空间搜索能力，将经遗传模拟退火算法得到的聚类中心点赋给FCM，避免了初值选择的随机性。同时为了提升混合矩阵估计的精度，对聚类获得的每一类数据的中心引入霍夫变换进行校正。实验结果表明，该算法改善了算法的稳定性和混合矩阵估计精度，具有一定的有效性和可行性。　　(2)研究基于字典学习的语音信号盲源分离方法，首先采用双重稀疏字典训练算法（Double Sparsity KSVD，DSKSVD）训练可稀疏表示的冗余字典，在该冗余字典上对观测信号进行稀疏分解;然后分析欠定盲源分离和压缩感知问题的等价性，构建基于压缩感知的盲源分离模型，并应用正交匹配追踪算法对信号进行重构，实现语音信号的盲分离。DSKSVD算法在保证源信号分离精度几乎不变的条件下，降低了字典构建的计算复杂度，提高了信号稀疏表示的有效性，减少了重构算法的运行时间。大量实验表明，该算法训练字典的时间优于KSVD算法和在线字典学习算法，有效地提高了计算效率。