盲源分离(Blind source separation, BSS)是近年来数字信号处理领域的一个活跃分支。它能在不知道源信号的分布类型和混合参数的情况下,仅利用源信号的混合信号去恢复源信号的各个独立成分。因此又被称作独立分量分析(Independent Component Analysis, ICA)。本文回顾了盲源分离问题的发展历史,并对盲源分离问题进行了简单的数学描述,包括盲源分离问题的数学模型、基本假设、数学理论基础和实现途径。然后针对一些盲源分离的算法和应用问题进行了深入的研究,提出了一些有效的方法,并对现有的一些方法做出了相应的改进和提高。全文的主要工作包括以下几个方面:讨论了独立分量分析研究中的主要问题,介绍和推导了基于独立分量分析的盲源分离算法的几种典型的代价函数和学习算法,并对信息理论框架下的几种代价函数作了统一;总结出几种针对复数混叠情况的算法,并通过仿真对比各种算法性能;应用互累积量迫零算法实现对同频混合信号的分离仿真;针对时变信道下混合信号分离问题,应用学习速率自适应调节的广义EASI,实现单样本迭代算法分离简单实时混叠信号;运用平滑窗口法实现批处理算法的复杂时变信号分离应用;对噪声情况下的独立分量分析进行了初步的研究,运用自适应去偏置原理对传统EASI算法进行改进并通过仿真对比性能。