为了研究对象的行为，人们需要用传感器对对象的行为进行采样，但不幸的是很多情况下很难保证传感器接收到的信号是仅仅是感兴趣的信号，通常情况下传感器接收到的信号会被各种各样的噪声信号污染。换而言之，采集到的是多个源信号的混合。而且在绝大多数情况下被采样信号的先验知识不能得知，而且信号与传感器之间的传递通道信息也难以测量，这种信号称为“盲信号”。从这些混合信号中将原始信号分离出来的过程称为盲信号分离(Blind Source Separation, BSS, BSE)。盲信号分离的应用相当广泛，如生物医学信号分析与处理，地理数据处理，数据挖掘，语音信号增强，图像识别，无线通讯等领域。 本文在目前研究最深入，成果最丰富的线性混合模型的基础上集中讨论了一些最典型的BSS的方法，并在此基础上给出了一种基于信号的二阶统计特征的BSS方法。本文按照学习法则利用的信号的统计量从低到高的顺序依次归纳了： 主分量分析(Principle Component Analysis)是一种广为人知的信号分析方法，它虽然并不属于盲信号分离的内容，但是它在很多盲信号分离的方法中，特别在信号预处理阶段发挥着重要作用。 通过挖掘信号的二阶统计特征，同样能够求解盲信号分离的问题，这种方法可以看作是对主分量分析方法的扩展。它与主分量分析不同之处在于，后者只需要将传感器输出的信号进行对角化，而前者需要将这些信号进行不同的延时后进行对角化，即所谓的联合度角化。 挖掘信号的高阶统计特征，也是求解盲信号分离的问题的一种主要手段。这里的高阶统计特征主要指高阶累计量，如四阶的峰值(kurtosis)或者独立性。高阶的统计特征由于对噪声信号不敏感，因而具有更好的健壮性。 独立组件分析和最大似然法是利用源信号的独立性的典型方法，文中接下来讨论了这两种方法，并讨论了这两种方法之间的联系。 论文的主要创新工作在于：提出了一种基于信号的二阶统计量的自适应的盲信号分离算法，该算法的基本思想来自于经典的AMUSE (Algorithm for Multiple Unknown Signal Extraction)，但我们采用一种自适应迭代计算的方式直接快速逼近到分离矩阵，替代了原算法中需要对几个矩阵依次求逆或是进行特征值分解的运算，从而更适合处理待分离的源信号数量较多的情况。本文也讨论了如何利用源信号的高阶统计特征对该方法进行扩展，从而实现更好的健壮性。