卣源分离是指在不知道源信号和传输信道参数的情况下,根据源信号的统计特性,仅由观测信号来恢复或分离出源信号的过程。盲源分离作为一项新的数字信号处理方法,具有非常重要的理论意义和实用价值。盲源分离在多用户通信、语音处理、生物医学工程、阵列处理和地震等诸多领域有着非常重要的理论价值和实际意义。鉴于盲源分离问题的理论价值和应用前景,对此问题的研究受到诸多学者的重视,并成为信号处理和神经网络等领域的热点问题。首先,介绍了盲源分离的研究背景和国内外研究的进展情况,阐述了盲源分离的基本理论,并分析了盲源分离的五种典型常用算法和算法的典型性能指标。其次,详细讨论了盲源分离的自然梯度算法,从基于信息最大化目标函数和基于互信息量最小化目标函数两个方面推导了自然梯度学习算法。虽然自然梯度算法具有很好的分离效果,但是,自然梯度算法存在收敛速度与稳态性能之间的矛盾：步长小,算法的稳态性能好,但算法收敛慢；反之,则收敛快,但稳态性能差,甚至不能分离混合信号。本文提出了一种新的自适应步长算法,该算法的控制参数为分离矩阵状态的一种测度,以自动控制算法的收敛,从而达到收敛速度和稳态性能的最佳结合点。通过计算机仿真表明,本文算法收敛速度快,在相同的迭代次数的条件下,性能指标优于定步长自然梯度算法和同类改进算法,且算法的复杂程度优于同类改进算法。虽然自然梯度算法具有很好的分离性能,但是当源信号幅度随时间快速变化或在某段时间变为零时,该算法的性能会恶化。因此,在自然梯度算法的基础上,本文研究了不完整的自然梯度算法,重点讨论了算法的稳定性。通过计算机仿真表明,该算法在源信号幅度随时间快速变化或在某段时间变为零时的特殊情况下,仍然具有稳定的收敛特性,证实了该算法的有效性