盲源分离问题是从某类混合信号序列中分离或提取出各个未知源信号的过程，其中假设源信号是相互统计独立的，人们对混合信号的信息完全未知。 本文主要研究了盲源分离中的两类典型问题：混合过程为线性瞬时混合系统和非线性瞬时混合系统，而盲分离的准则主要从信息论和随机过程理论两个方面获得： 1)研究了独立分量分析方法、信息最大化方法、最小互信息方法、最大似然概率准则。将FastICA与最大似然概率准则结合，增强了算法的鲁棒性，加快了收敛速度，改进了原有的针对线性瞬时混合系统的分离算法。神经网络是解决盲分离的一种有效途径。本文根据最大输出熵准则，采用径向基(RBF)神经网络导出一种针对非线性瞬时混合系统的分离算法。由于RBF的无监督学习特征与BSS的“盲”特点相符，所以在算法中使用RBF神经网络是合理的。 2)在研究随机过程理论的基础上，从信号的高阶累积量出发，将线性西安理工大学硕士学位论文混合盲分离问题转化为矩阵的对角化问题，大大简化了BSS算法的复杂度。本文构造了一个类特征函数，找寻了一个特殊矩阵，将BSS问题转化为此矩阵的特征值分解问题，解决了一类线性瞬时混合盲分离问题。 匆 此外，本文还对盲信号提取(B SE)做了初步研究，对盲信号提取的条件进行了探讨，结果表明BSE对解决奇异线性混合有一定效果，最后基于信息论准则研究了多源信号的提取算法。 通过语音信号分离实验和载波信号分离实验对本文所研究的各种BSS算法进行了分析和验证，取得了较为满意的结果。