盲源分离(Blind Source Separation,BSS)是信号处理领域的一个重要分支,且一直深受广大学者的关注。如今盲源分离技术被广泛应用于生物医学信号、图像、语音信号等信息处理领域,是一种融合了神经网络、数理统计等其它学科的研究课题。在瞬时盲源分离领域,传统盲源分离算法主要集中在基于最小均方(Least Mean Squares,LMS)的自然梯度算法(Natural Gradient Algorithm,NGA)和等变自适应(Equivariant Adaptive Separation via Independence,EASI)算法。在工程实践中,由于部分混合信号是由不同类型信号组合而成,因此需要将群集智能算法应用到盲源分离中或者对传统算法进行优化。然而群集智能算法存在收敛速度慢等缺陷。因此,本论文对自然梯度算法、EASI算法和萤火虫算法(Firefly Algorithm,FA)展开研究并进行优化,主要工作如下:1.针对传统盲源分离算法性能受固定步长参数制约的问题,研究出一种自适应调节参数的盲源分离优化策略。其中,以自然梯度算法和EASI算法为基础,依靠实时的输出信号建立一种新的表征信号分离程度的指标,从而实时调整步长与动量因子,最终选取恰当、准确的数值。在平稳和非平稳环境下,利用改进的优化算法对接收到的混合信号较好地分离,且分离效果优于传统算法。2.针对混合信号由不同类型源信号组合而成的情况下,传统盲源分离算法存在激活函数不易选取的问题;且萤火虫算法存在易陷入局部极值,收敛速度慢等缺点,研究出一种改进萤火虫算法的盲源分离优化方法。该方法首先对萤火虫算法中随机扰动项的步长因子实时调节,然后在位置更新公式中增添全局最优解引导项来引导萤火虫移动;并将正交矩阵以参数化的形式表示,减小算法的复杂度。在平稳环境下,改进后的萤火虫算法可将含有不同类型的混合信号重构出源信号,并解决传统算法激活函数选取难的问题,且性能优于基本萤火虫算法。本文借鉴前人学者的研究成果,对LMS算法和萤火虫算法进行研究并加以改进。并对改进的算法进行数学分析和仿真验证,表明所提出改进策略的正确性和有效性,在盲源分离领域具有一定的借鉴意义和应用前景。