盲信号分离与提取是在源信号和混合过程未知的情况下,仅仅利用传感器接收到的观测信号分离或提取出源信号。盲信号分离与提取是信号处理领域中的热点课题,已经广泛应用于语音识别、无线通信与生物医学等领域,具有广阔的发展前景。本文围绕这一课题展开,将研究重点放在不同线性混合模型下非平稳信号分离与提取的研究上,主要做了以下几方面的工作:首先,对于适定混合模型,针对非平稳信号提出了两种基于时频分析的盲源分离算法。时频分析可以有效提取非平稳信号的时变特征,引入时频分析的盲源分离算法可以利用源信号的时频多样性来分离源信号。在传统时频分析算法中,线性时频变换的时频聚集性低,双线性时频变换会引入交叉项。本文分析两者的优缺点,提出了一种基于短时傅里叶变换与魏格纳分布的盲源分离算法,该算法利用短时傅里叶变换和魏格纳分布相结合的方式,去除魏格纳分布中交叉项干扰的同时保留它良好的时频聚集性,分析经过白化和时频变换后观测信号所形成的时频矩阵,构造新型的时频矩阵选择策略,通过对时频矩阵组进行联合近似对角化来恢复源信号。此外,本文引入兼顾时频聚集性且抑制交叉项干扰的局部多项式傅里叶变换,结合霍夫变换,提出一种基于局部多项式傅里叶变换和霍夫变换的盲源分离算法,将局部多项式傅里叶变换所形成的时频平面转换到参数平面,从而更好地抑制噪声和交叉项,并提出另一种时频矩阵选择策略,为恢复源信号奠定基础。仿真结果表明本文两种算法在非平稳信号分离方面拥有良好的性能。其次,对于欠定混合模型,针对非平稳信号在瞬时混合模型和时延混合模型下提出不同的基于单源点检测的盲源分离算法。单源点检测的方法对信号的平稳性没有特定要求,适合运用到非平稳信号的分离中。针对源信号瞬时混叠的情况,提出一种基于单源点检测的实数混合矩阵估计算法,利用经过时频变换的观测信号,提出新的单源点检测方案,然后通过改进的聚类方法聚类单源点从而估计出混合矩阵。针对源信号时延混合的情况,提出一种基于单源点检测的复数矩阵估计算法。针对时延混合模型下的观测信号无法直接形成聚类的问题,构造相应变量形成聚类向量,利用传感器阵列的先验信息构造单源点检测方法,最终利用这些单源点估计出混合矩阵。此外,提出另一种基于单源点检测的复数矩阵估计算法。通过矩阵变换方法,将瞬时混合模型下的单源点检测方法和聚类方法推广到时延混合模型,并利用瞬时混合模型下的估计算法来估计时延混合模型中的混合矩阵。在估计出混合矩阵的基础上采用基于子空间的源信号恢复算法对源信号进行恢复。仿真结果表明本文所提算法在估计混合矩阵和源信号方面拥有很好的性能。最后,对于超定混合模型,针对非平稳信号提出基于先验信息的盲源提取算法。有些非平稳信号具有一些先验信息,这些先验信息可以辅助恢复源信号。超定混合模型中的观测信号众多,然而有时令人感兴趣的源信号很少,此时进行盲源提取会比盲源分离更有效率。本文针对具有特殊时间结构的非平稳源信号,提出三种基于时间结构和非高斯性的非平稳信号提取算法。针对源信号的时间结构和非高斯性构造相应的优化模型,通过迭代得到解混向量从而提取出源信号,同时分析了算法的稳定性条件。仿真结果表明三种算法在源信号提取的精确度,鲁棒性和收敛速度上各有优势。针对感兴趣的非平稳源信号的方位信息,提出基于感兴趣源信号方位信息的盲源提取算法,利用感兴趣源信号的方位信息,结合最小方差无畸变响应和参考独立分量分析方法求解出权值向量,并最终采用快速独立分量分析算法进行源信号的提取。仿真结果证实算法拥有良好的性能。