盲信号分离是一种在对源信号和混合系统未知或很少先验知识的情况下,利用观测信号分离出源信号的技术,在生物医学、语音识别、通信等众多领域有着重要的理论价值和实际意义。目前,盲信号分离已成为现代信号处理领域的一个热点课题。按照源信号混合模型的不同,线性盲信号分离算法可分为两种:瞬时混合盲分离算法和卷积混合盲分离算法。本论文基于以上两种不同的混合模型对盲信号分离理论和近年来出现的一些经典分离算法进行了分析研究,主要工作如下:1.搜集、整理、总结近十年国内外盲信号分离领域的研究成果,并选择了一些经典盲信号分离算法进行理论研究和仿真实验分析。2.对一些现在流行的基于独立分量分析的盲分离算法进行深入研究后,发现其存在以下两点共同缺陷:①由于算法中非线性函数的选取依赖于源信号的峭度性质,当观测信号为超高斯和亚高斯混合信号时,分离算法性能急剧下降。②算法中大都采用梯度法对分离矩阵(或分离矩阵序列)进行寻优,无论是标准梯度法还是自然梯度法,初始值和步长的设定对算法的性能影响较大,使得算法易陷入局部极优值,从而降低算法的分离效果。本文针对瞬时混合模型和卷积混合模型各自的特点,分别提出了基于核密度估计的遗传盲信号分离算法[文章已发表]和基于高阶统计量的遗传盲反卷积算法。两种算法的实现无需引入非线性函数,因此都与源信号的峭度性质无关;另外,选取全局搜索的遗传算法进行寻优,避免了梯度法搜索的局部性,使得算法均能收敛到问题的全局最优解。最后通过理论分析和对比仿真实验证明了算法的正确性和有效性。与传统算法相比本文提出的算法具有一定的优越性。