盲源分离作为当今信号处理学界的研究热点，已经成功地应用于图像和语音信号处理、生物医学信号分析与处理、天线阵列信号处理等诸多领域之中。其主要任务是在源信号和传输信道未知的情况下，仅利用传感器接收到的观测数据恢复出源信号。本文首先系统阐述了盲源分离问题的主要解决方法——独立分量分析法，研究了独立分量分析的基本假设、基本性质、优化准则以及算法性能评价指标，并在瞬时线性混合盲分离模型的基础上分析了目前较为成熟并且广泛使用的自然梯度算法和FastICA算法。大多数盲分离算法都是建立在无噪声干扰模型上的，然而当噪声不可忽略时，这些算法的性能就会下降甚至失效。为解决该问题，根据噪声叠加位置的不同，建立了两种噪声盲分离模型，并在此基础上总结出四类噪声盲分离方法。考虑对经典的盲分离算法进行改进，以消除由噪声引起的偏差，分析了基于高斯矩的FastICA算法和基于偏差去除技术的自然梯度算法。考虑到结合现有的滤波去噪算法进行盲分离，对小波分析去噪进行了研究。本文的主要创新如下：(1)FastICA算法利用了二阶收敛的牛顿迭代法进行优化，为了加快算法的收敛速度，本文提出用五阶收敛的牛顿迭代法对其进行改进，得出两种改进算法。实验证明改进算法分离效果与原算法相当，且其收敛速度更快;(2)通过分析影响小波阈值去噪性能的主要因素，提出一种去噪效果更好的新阈值函数；(3)针对噪声模型，提出用基于偏差去除技术的自然梯度算法估计出分离矩阵，从而分离出各路信号，再用新的小波阈值函数进行去噪处理后，使用该方案分离效果良好，得到的信号更接近源信号，较以往方法具有更高的信噪比。盲源分离技术虽然已经获得了长足的发展，提出了很多较为成熟的理论与方法，但是许多问题仍有待于进一步研究和解决，本文在最后简单地讨论了下一步的研究方向。