独立分量分析(Independent Component Analysis,简称ICA)是一种较新的信号分析方法,它是近年来由盲源分解技术发展的多道信号处理方法,即是一种在只有观测数据且信号源混迭方法未知的情况下对信号独立源进行提取的一种信号处理方法。该方法特点是将多通道观察信号按照统计独立的原则通过优化算法分解成若干相互独立的成分,从而帮助实现信号的增强和分析。近来,通过ICA 实现的盲源分离引起了广泛的关注,主要是因为该方法在语音识别、通信、生物医学信号处理、图像处理中潜在的处理优势。本文主要基于独立分量分析算法来处理低信噪比语音信号,达到语音降噪和增强的目的。带噪语音信号可看成由独立的噪声和语音信号经某种方式混和而成,因此可对其进行独立分量分析(ICA),将噪声和语音分离,从而达到语音增强的目,但是ICA 要求观测信号数目不少于独立源个数,故无法直接对单路信号进行独立分量分析,本文提出一种方法巧妙地从单路信号中生成两路信号,然后对其进行独立分量分析,实现语音增强。首先在第一章的引言中,简单介绍独立分量分析这盲源信号处理算法的概念、应用领域,使大家对该算法有个初步的了解。第二章主要介绍独立分量分析算法的历史发展过程以及与该算法相关的预备知识,方便对后文的理解。第三章讲述了基于不同对照函数的各种不同ICA 算法。第四章介绍常用的语音增强算法——频谱减法,这也是后一章中单通道ICA 算法的预备知识。第五章是应用独立分量分析算法进行语音信号处理。先给出了2 个独立语音源信号经线性混合得到的2 个混合语音信号,应用Fast ICA 算法分离出2 个源语音信号的估计。然后给出2 个独立语音信号经线性混合得到的1 个混合语音信号,应用类频谱减法做语音预处理后,生成两个语音信号,然后应用Fast ICA 算法分离出2 个语音信号,最后做语音后处理得到最终的语音信号。同时给出了两种情况下的实验结果波形图。接收到的混合语音信号数小于独立源语音信号数,这种情况直接应用ICA算法处理比较困难,这方面的研究目前还处于起步阶段。而本文给出的算法正好满足了这种情况的需要,具有一定的实用性。