盲源分离技术作为语音信号处理的热点,尤其是在含有噪声的情况下分离出各自源信号。要在有噪声干扰的情况下分离出源信号,一般的盲分离方法并不能完全胜任。滤波作为传统的去噪方法,只能滤掉一部分噪声,而且为了达到更佳的去噪效果需要牺牲一部分信号。相比小波阈值去噪方法,小波模极大值去噪方法的计算量太大,虽然去噪效果较好,但是综合考虑不值得采用。但是小波阈值去噪也存在需要改进的地方,在阈值点硬阈值函数不连续,软阈值去噪方法虽然克服不连续的问题,但是重构系数与真实系数之差不会随着函数值的增加而降低。本文提出了一种基于阈值去噪的改进算法,基于软阈值函数的改进函数式,实验数据发现改进算法对去噪有一些帮助。论文根据盲信号处理的基本条件,结合小波去噪和独立分量分析盲分析的各自优势,对带噪声的语音信号盲分离前进行预去噪处理,使噪声对盲分离算法的影响降低到最小。该方法即为小波与独立分量分析盲分离算法。首先,在介绍小波去噪方法之前,着重阐述了小波变换从傅里叶变换发展而来的历史与去噪原理,对阈值选择和量化规则如何影响去噪效果进行分析,分析现在常用的两种阈值函数(硬阈值、软阈值),提出了一种新阈值量化函数,改进函数在避免了上述两种函数的缺点,经过实验分析,改进方法对比上述两种方法去噪效果更佳。论文还对FastICA算法进行了分析,该算法利用牛顿迭代法寻找最优解,但是基于牛顿迭代的寻优方法决定了该方法也继承了牛顿迭代法的缺点,算法的收敛性取决于第一个迭代值的选择,如果初始值的选择不当可能导致盲分离失败。有人提出了改进算法,对牛顿迭代法加入一维搜索,使牛顿迭代按照一维搜索方向进行迭代,确保了算法的稳定性,但是也降低了收敛速度。论文提出了一种改进算法,对牛顿迭代法进行改进使之成为高阶收敛,再引入一维搜索确保寻优方向,使算法最终收敛。该改进方法既克服了牛顿迭代的缺点,又削弱了阻尼牛顿法带来的不利影响。