盲信号分离（Blind source separation，BSS）是指在不知道源信号和传输信道参数的情况下，根据输入源信号的统计特性，仅由观测信号恢复出源信号各个独立成分的过程。当各个源信号相互独立时，盲信号分离方法又称为独立分量分析。盲信号分离技术是现代信号处理领域中一个崭新的研究方向，目前已广泛应用于语音信号处理、图像处理、阵列信号及医学信号处理等许多领域。目前解决盲分离问题主要利用独立分量分析（Independent component analysis，ICA）方法来提取相互统计独立的源信号。本文首先介绍了盲信号分离的数学模型并分析了盲信号分离的两个不确定性以及实现盲信号分离的假设条件。总结盲信号分离目标函数、优化算法及算法的评价指标。在自适应盲信号分离的算法中，步长的优选问题一直是十分重要的因素。基于变步长的思想，定义了描述信号分离状态的分离系数，通过建立步长因子与分离系数的一种非线性函数关系，从而提出一种新的自适应步长EASI盲信号分离算法。该算法的步长是基于分离系数的，其步长由信号的分离系数自适应的选取，因而能较好的解决收敛速度和稳态误差之间的矛盾。计算机仿真结果验证了算法具有较好的收敛性能和稳态性能。白化是盲信号分离算法中一个非常有效的预处理方法，然而基于白化信号的算法不具有等变化性，这样会使得算法的分离效果变差。基于此，本文通过将预白化技术转化为加权正交约束条件，新定义了一个具有加权正交约束的目标函数，并得到了几种具有等变化性的加权正交约束算法。通过对人工信号和语音信号的仿真实验，验证了所提出的加权正交约束算法具有较好的分离速度和稳态误差。