在源信号和混合系统先验知识未知或是很少的情况下，仅仅利用传感器接受的观测信号而恢复出源信号的技术称之为盲源分离，现已广泛应用在生物医学信号处理、地震信号处理、无线信号处理、语音信号处理、图像增强等方面，成为信号处理领域中的一门新兴学科，吸引了包括信号信息处理、神经网络等领域学者的目光，成为当今社会研究的热点。本文在掌握盲分离理论知识的基础上，着重研究了自适应算法（在线）的盲分离问题，并对其中的自然梯度算法、符号自然梯度算法、变步长符号自然梯度算法等算法的分离性能进行了仿真和分析，在此基础上进行相应改进，提出了一种整体性能更好的盲分离算法。文章具体内容安排如下：首先，论述了盲源分离的基础理论，包括盲分离的数学模型、可分离理论及盲分离的不确定性，盲分离算法中经常用到的信息论相关知识(信息熵、互信息等)，算法代价函数的优化准则以及评价算法性能优劣的评价准则等；其次，引出了盲分离的基本算法，其主要有自然梯度算法、符号自然梯度算法、变步长自然梯度算法等，并对它们的分离性能进行仿真验证，结合仿真结果在深化对盲分离算法的理解的基础上，寻求改进算法性能的方法；然后，借鉴神经网络的动量项思想，提出了本文改进算法：融合双动量项的变步长符号梯度算法及变动量因子自然梯度算法。在符号自然梯度算法的中加入步长动量项，让算法步长以最少的迭代次数达到极大值，加快算法的收敛速度；再在分离矩阵中加入动量项，进一步加快算法的收敛速度；变化动量项因子算法的借鉴变步长的步长变化思想，让动量因子其先变大后边小，加快算法收敛速度同时减小算法的稳态误差。仿真实验证实本文算法在保持稳态性能的前提下，加快了算法的收敛速度；最后总结全文，并对盲分离技术的发展前景进行了展望。