在现代商用航空飞行器上,舱音记录器(Cockpit Voice Recorder,CVR)是必不可少的机载设备,它记录驾驶舱内最近2小时或30分钟的各种声音。当事故发生后,对事故调查员而言,CVR记录的驾驶舱非话语背景声如关键开关按钮声、操纵手柄和警告声等等,是重要的信息来源。针对许多重要的CVR背景声信息凭人耳无法辨别的情况,本文结合盲源分离(Blind Source Separation,BSS)问题的解决办法,从未知源信号和信号混合方式的CVR混合信号中,提取出有用、对事故调查起关键作用的信号。这对确定事故原因和飞行安全都有着重要的意义。在过去的二十多年里,随着盲源分离问题研究的不断深入,独立分量分析(Independent Component Analysis,ICA)作为一个有效的解决方法获得了迅猛的发展。基于独立分量分析的CVR非话语背景声信号盲分离,即对舱音记录器记录的非话语声信号进行盲分离处理,得到蕴含重要信息的独立的信号分量。本文的主要工作如下:首先,阐述了CVR的特点和国内外研究现状,分析了ICA的基本原理,讨论了独立分量分析的估计原理及算法的典型评判指标。针对独立分量分析研究中的主要问题,研究了基于独立分量分析盲源分离算法的典型的代价函数,并对信息论框架下的代价函数做了统一。然后,本文对快速固定点ICA算法(Fast Fixed-Point Algorithms,FastICA)和自然梯度算法(Natural Gradient Algorithm,NGA)进行了研究。针对FastICA算法要求观测样本采样值的无限性、各个源信号概率密度函数已知的缺点,考虑了其效率和稳定性问题对其进行改进,并与调整权值的二阶盲辨识算法相结合得出联合算法。针对自然梯度算法采用固定学习率的不足,采用自适应学习率和不完整约束改进算法。通过计算机仿真实验验证了改进算法的良好性能。通过研究比较不同算法对CVR非话语背景声典型观测信号的分离性能,发现不完整约束的自适应自然梯度算法对随时间剧烈变化、较长时间段幅值接近零的信号(如开关声、按钮声等)有更好的分离效果,而联合算法更具有通用性。这为解决CVR非话语背景声信号分离问题找到了一个有效的途径。另外对CVR背景声信号存在冗余信息或者噪声的情况,实现了独立分量分析方法对观测信号的降维压缩,这对于从混杂的信号中提取有价值的信息十分重要,为处理多变的混合信号提供了参考。针对真实CVR非话语背景声信号数据量巨大、存在轻微时变特性和信号有大量近零值的情况,提出一种改进的处理方法。首先应用基于独立分量分析方法的在线算法动态分段处理,再通过快速的FastICA算法进行精确化求解,同时为了使得估计器获得最佳性能适当调整分离矩阵各行权值。本文给出了在线算法流程和仿真实验,验证了算法的优良性能。最后,为了便于实际应用中开展对CVR非话语背景声的分析与处理,设计对CVR非话语背景声进行盲分离的可视化用户界面,实现便捷地载入观测信号,进行盲分离处理。本文的研究对空难灾后处理和保障未来飞行安全,都具有重要的实用价值和广阔应用前景。