盲源分离（Blind Source Separation,BSS）是指在源信号及混合方式等先验信息均不详的条件下,仅从观测信号中提取未知源信号的方法。随着近年来的发展,BSS开始逐步演变为信号处理领域中的热门话题,并在诸多领域内具有潜在的应用前景。独立成分分析（Independent Component Analysis,ICA）作为一种传统的求解手段,是解决线性混合BSS问题的常规方式。多数ICA算法在解决问题时,梯度信息的优劣决定着收敛速度的快慢,且算法运行时易陷入局部极值,同时还涉及到非线性激活函数的选取问题。元启发式算法作为一种源于以计算智能机制来分析复杂问题继而得出其最优解或满意解的算法,是对目标函数优化的有效方法之一。因此,将元启发式算法运用于线性BSS问题中,可以弥补传统BSS算法的不足。本文在对元启发式算法和BSS技术理论和算法进行研究的基础上,主要完成了以下工作:（1）为了克服传统元启发式算法在解决BSS问题时面临的收敛速度慢和分离精度差的缺陷,提出了一种基于改进型象群优化（Improved Elephant Herding Optimization,IEHO）算法的BSS方法。此方法依据独立性原则,结合了分离信号的峭度和互信息来构造目标函数。在算法更新阶段,通过改进比例因子并增加邻域搜索项,来提高搜索方式的多样性;在分离阶段,通过引入量子粒子群优化策略,来提高算法的全局搜索能力。为验证改进型算法的有效性,选取了4个测试函数来检验此算法的优化效果。与传统的象群优化算法和粒子群优化算法相比,IEHO算法具有更佳的优化效果,并达成了图像信号与语音信号盲分离的目的。通过比较相似系数、信干比和PI性能指标等评价准则,验证了算法在分离精度和收敛速度上的优越性。（2）为了改善传统模糊聚类算法中初始值敏感、鲁棒性差和易陷入局部极值的问题,提出了一种融合改进型混合蛙跳算法（Improved Shuffled Frog Leaping Algorithm,ISFLA）和可能性模糊C均值（Possibilistic Fuzzy C-means,PFCM）的混合聚类算法,并将其应用于欠定BSS问题的求解。该算法以混合蛙跳算法的寻优过程代替PFCM中梯度下降法的迭代过程,ISFLA通过当前最优反向学习机制初始化种群,并在子群局部搜索后加入高斯随机游走策略,以提高算法的寻优能力。仿真结果表明,与传统的混合蛙跳算法和粒子群优化算法相比,ISFLA算法的寻优效果较好。同时融合后的算法提高了模糊聚类算法的鲁棒性、聚类精度和搜索能力,并成功实现了对语音欠定BSS信号的重构,算法估计精度较高、稳定性较好。