作为信号处理的热点研究课题,盲分离技术在无线通信、语音分离、图像处理,脑电信号处理领域具有广泛的应用前景。近二十年来,盲分离技术取得了长足的进步。当前,本文着重于探讨以下的盲分离技术研究热点:1)欠定线性混叠模型下的混叠矩阵估计问题;2)卷积混叠模型下的信号源个数估计及源信号分离问题;3)盲信号分离方法的应用问题,如在网络安全中的应用。本文主要研究工作如下:首先,通过稀疏成分分析探讨欠定线性混叠情形下的盲分离问题,给出一种基于加权策略下的超直线聚类算法。针对源信号所体现出来的非严格稀疏特性,提出通过加权策略实现对观测信号的差异性聚类。通过引入高斯隶属函数作为加权因子,在差异性聚类过程中,对具有高稀疏度的样本数据以低权重值,同时对低稀疏度的样本数据则赋予高权值。该差异性聚类策略目的是突出样本数据的聚类中心,抑制远远偏离中心的离群点干扰,从而增强超直线聚类算法的稳定性。通过所提出的加权超直线聚类策略,可以同时实现信号源的个数估计以及混叠矩阵估计。其次,分析卷积混叠模型中的信号源个数估计问题,给出一种基于提取特征数据的时频域密度检测聚类算法。本章所提算法基于下列观察:在任意连续时频点内,源信号中的某个活跃源信号在该区域内功率谱占优,而其他源成分的功率谱次之。基于这个假定,第一步,通过观测信号数据的二阶统计信息进行特征提取。第二步,通过提取出来的特征数据进行密度检测聚类,确定出聚类中心的个数。第三步,通过逐频点进行密度聚类估计,统计出现频次最高值作为估计的信号源个数。相比现有的聚类算法,所提策略能够有效增强聚类算法的抗干扰能力,能够适用于较大规模欠定卷积模型下的源信号个数估计。再次,分析卷积混叠模型中的盲分离中的源信号分离问题,给出一种基于分块张量分解框架下的时频域盲分离算法。通过组合成对时频点观测信号成分,构建出新的线性混叠模型,同时对新的混叠矩阵进行结构化设计。经过严格理论证明,基于新构建模型的卷积盲分离可以完全解决排序不确定性问题。进一步地,提出基于结构化分块张量分解算法,实现超定情形下的卷积盲分离。然后,将盲分离技术应用到无线通信网络安全领域,给出一种基于半盲估计算法的差异性信道估计策略。差异性信道估计策略是保证合法用户服务质量,防止非法用户窃听的重要物理层安全手段。本文通过设计具有随机特性的前向训练序列并且设计具有人工噪声干扰的逆向训练序列,达到保证合法接收机端的接收质量,同时弱化非法接收机端的窃听能力。基于单位均方误差指标,系统分析合法接收机端以及非法接收机端的信道估计差异,给出训练序列与人工噪声序列最优功率分配方案。相比现有的差异性信道估计策略,所提出的半盲技术的双向训练策略具有更好的差异性信道估计性能,同时能够稳健对抗导频污染这类主动性攻击。最后,将盲分离技术应用于智能电力网络安全领域,给出一种基于盲分离方法下的具有低稀疏度的隐蔽性数据攻击策略。在理论上证明可以放宽隐蔽性数据攻击的实施条件,即:攻击者只需掌握部分的电网系统量测矩阵信息以及控制少数智能电表即可实施隐蔽性数据攻击。为获取局部电网系统量测矩阵信息,设计出一种基于电表数据的两步骤攻击策略,其中包括估计系统量测矩阵以及重构稀疏攻击向量。所设计的隐蔽性数据攻击策略揭示出电表数据泄露对智能电网安全的潜在威胁。