盲源分离技术是一项极有挑战与应用价值的一种信号处理技术,它能够在缺少源信号及信道参数先验信息的情况下,仅通过对接收信号的分析来恢复源信号。其中欠定盲源分离由于源信号数量多于接收源,更加符合实际应用的场景,在实际工程方面具有巨大的价值,因而成为研究热点。本文针对语音信号的欠定盲源分离问题进行研究,针对语音信号的欠定盲源分离的某些不足提出以下改进:首先,针对源信号不是充分稀疏的情况,通过单源点检测算法来获得稀疏性更好的观测数据。之后在具有噪声的基于密度的空间聚类算法(Density-based spatial clustering of applications with noise,DBSCAN)上进行聚类数目和聚类中心的估计,聚类中心代表混合矩阵的列向量,聚类数目代表源信号的数量。为防止聚类中心初始值的选择问题和陷于局部最优解的情况出现,利用粒子群算法(Particle Swarm Optimization,PSO)优化估计的聚类中心来获得更好混合矩阵的估计。提出PSO-DBSCAN算法克服传统的聚类算法需要预先知道聚类数目的缺点,而且能够在聚类迭代时根据密度连通域来对聚类数据进行修正,去除一些干扰点来提升聚类精度。通过仿真实验能够得知,提出的算法可以有效提升混合矩阵在高信噪比下的估计精度,而且能自动估计源信号的个数。其次,针对信号的稀疏重构算法,研究基于字典学习的信号稀疏表示算法,利用K-SVD算法对已知特定信号进行字典学习构造过完备字典。对于每帧语音信号的稀疏度表示的差异,提出了一种基于内积分布的变步长自适应阈值稀疏度自适应匹配追踪重构算法(VT-SAMP),解决SAMP算法迭代过程中候选原子的成倍增加的精度和运算压力,自适应变换阈值提高原子的选取精度。相较于传统的信号重构算法,该算法以信号内积分布为控制方式,更能提高稀疏度估计精度,提升信号重构精度。通过对比其他字典学习算法和基于VT-SAMP和K-SVD的自适应稀疏度字典学习重构算法,证明了该算法的可行性。最后,根据压缩感知理论的信号稀疏表示模型来恢复源信号。与原信号相比,重构信号能够基本恢复原信号的特征。