La séparation de sources aveugle dans le cas sous-déterminé est un problème mal posé pour lequel on suppose que les sources sont indépendantes et parcimonieuses dans le domaine temps- fréquence (TF). La séparation se fait alors en deux étapes : une étape d'estimation des paramètres du mélange, suivi d'une étape d'estimation des sources. Les hypothèses faites sur les sources ne sont cependant pas valides sur l'ensemble des points TF, si bien que les approches qui traitent naïvement l'ensemble des points de manière indépendantes sont peu robustes. L'objet de cette thèse est d'exploiter la distribution locale du mélange dans les voisinages de chaque point TF, afin de détecter les régions TF où une seule source est active et d'estimer la direction de la source dominante dans ces régions. L'approche que nous proposons est étayée par un algorithme de clustering appelé DEMIX, qui estime de façon robuste les paramètres du mélange. L'approche locale peut être utilisée pour apprendre des modèles de sources qui jusqu'à présent nécessitaient une étape d'apprentissage à partir d'exemples. Nous montrons que cette approche améliore l'estimation des sources de plusieurs dB.