随着声音定位技术的发展和应用需求的增加,越来越多的领域需要对不同种类的目标声源进行定位,但是在许多环境中,除了需要定位的目标声源发出的声音之外,一般还会有其它声源发出的声音信号,而且一般并不清楚这些声音的特性,并且它们的声道传播模型也是未知的,因此很难用传统的信号处理方法来实现声源定位。在多音源、源信号和混合信道模型均未知的情况下进行声音定位,首先需要进行声音信号的盲信号分离。虽然声源和声音传播模型是未知的,但是这些声音信号之间通常是满足统计独立的,因此可以用独立成分分析来解决盲信号分离问题。本文将独立成分分析与声源定位结合起来,解决复杂环境下的声源定位问题。本文首先介绍了独立成分分析的基本理论和相关知识,然后对两个常用的算法进行了详细的介绍:一是基于负熵最大化的快速固定点算法,它是采用负熵作为源信号之间统计独立特性的度量准则,利用近似的牛顿迭代法计算独立成分;二是联合近似对角化算法,它是通过信号的累积张量构建联合矩阵,之后采用近似对角化的方法对混合信号的分离矩阵进行估计计算。然后对这两种常用的算法进行了仿真,验证算法在处理盲信号分离问题中的有效性并比较了它们的性能差异。因为得到分离信号之后还要从中找出需要定位的目标声音信号,所以本文对声音信号的识别问题做了研究,介绍了在声音识别问题中常用的频域特征参数和常用的声音识别算法,并用将梅尔倒谱系数作为特征参数、动态识别规整作为声音信号的识别方法,对分离信号进行了识别,从中找到需要定位的目标声音。最后,对整个系统进行了功能测试和分析。建立麦克风阵列采集环境中的声音信号,然后利用FastICA实现混合声音信号的分离,对分离信号通过提取梅尔倒谱系数作为特征参数,与数据库里的特征采用动态时间规整进行识别,找出目标声音之后再通过TDOA算法计算位置信息。测试结果表明,该系统可以实现复杂混合声音情况下对目标声音的定位。