盲源分离是指在源信号和其混合过程未知的情况下，仅利用观测信号来恢复或提取独立的各个源信号的方法。盲源分离作为数字信号处理领域一项新的技术，具有非常重要的理论意义和实用价值，被广泛应用于通讯、雷达信号处理、生物医学图像处理、模式识别等众多领域，有着非常广阔的发展前景，已经成为信号处理学界和神经网络学界共同感兴趣的热点研究课题之一。 本文所做的主要工作： (1) 分析了盲源分离的起源和国内外研究的进展情况，阐述了盲源分离的基本原理，并讨论了常见的盲源分离的三种数学模型和算法的典型评判指标。 (2) 讨论了独立分量分析研究中的主要问题，介绍和推导了基于独立分量分析的盲源分离算法的几种典型的代价函数和学习算法，并对信息理论框架下的几种代价函数作了统一。 (3) 对自然梯度盲源分离算法进行了分析研究，针对该算法采用固定步长的不足，将自适应滤波中的LMS变步长思想应用到其中，提出了基于梯度和非线性函数的两种改进算法，克服了固定步长自然梯度盲源分离算法收敛速度、稳态误差和跟踪能力之间存在的内在矛盾。