线性混叠盲源分离是指观测信号由源信号经线性混合得到,现阶段盲源分离的大多数研究集中于线性混叠模式。由于盲源分离在未知传输信道和源信号的情况下,仅仅由观测信号恢复混叠矩阵或者估计源信号,这个特有的理论使得盲源分离在生物医学、地球物理数据、语音识别、军事雷达等领域有着广泛的应用前景。本文的主要内容如下:介绍了盲源分离的几个重要的应用领域和盲源分离的历史研究现状。描述了盲源分离数学模型,结合盲源分离的数学模型,阐述了盲源分离的理论可行性以及分离性能的评价标准。接着,讨论了基于非高斯极大化的盲源分离算法,详细的论述了该算法的原理,并且介绍了算法的全局收敛性能。接着,在非高斯极大化算法的理论框架下面推导出了一种新的基于峭度的ICA算法,对比于Fast-ICA算法,本文算法具有更快的收敛速度,而且可用于具有超高斯和亚高斯的混合信号,试验仿真表明了算法的有效性。自然梯度算法实际上是一种随机梯度算法,与随机梯度算法不同的是分离矩阵的参数空间是一个李群,在该空间中目标函数的最速下降方向是函数的自然梯度方向。接着介绍了概率密度函数的独立性测度-相关熵,由信息论的知识详细的推导了基于Informax的自然梯度算法。在算法中步长和激活函数的选取对算法的收敛起到至关重要的作用,针对不同的源信号应该选取对应的激活函数作为其概率密度的近似,算法中固定的步长不能同时满足收敛速度和算法分离精度的要求,本文为了提高算法的跟踪能力,将原来算法中的固定步长变为自适应步长,使得算法在分离的不同阶段具有不同的步长,目标函数最速下降。同时为了加快算法的收敛速度,在自适应的步长算法中加入了一个动量项。试验仿真表明本文中对原来算法的这种改进在不改变原来算法稳态误差的情况下,加快了算法的收敛速度。