盲源分离(Blind Source Separation,BSS)技术是盲信号处理的一种,近年来得到了飞速发展,其广泛应用于机械故障诊断、地质勘探检测、阵列结构、语音通信、生物医学等信号处理领域。因为实际环境中的单通道盲源分离问题比较常见,近年来单通道盲源分离算法得到国内外学者的广泛关注,单通道盲源分离算法具有强大的实用价值和乐观的研究前景,因此,非常有必要对其进行研究探索。论文主要研究了多通道盲源分离算法和单通道盲源分离算法,在单通道BSS算法的基础上结合矢量MUSIC算法进行方位估计,通过仿真和试验数据处理结果,对算法进行分析和验证。论文首先介绍了盲源分离的基本理论模型,分析了BSS问题中存在的两个不确定性因素和信号模型的前提假设,研究了BSS算法的预处理过程,及其与独立性分量ICA的关系,介绍了几种分离性能评价指标,为后续的算法研究奠定理论基础。多通道BSS算法主要研究了极大信息化(Informax)算法和快速不动点(Fast ICA)算法,通过仿真和试验数据处理对比分析两种算法的分离效果,发现同等条件下Fast ICA算法比Informax算法的性能更加稳定,收敛速度快,适用性强;但是当信号源数目较多、信噪比较低时,Fast ICA算法的迭代次数增多,性能恶化。在实数Fast ICA算法的基础上,进一步展开其复数形式的研究,并通过对混合矩阵的估计,推导出信号源的方位信息,通过仿真,得出在不同信噪比条件下方位的估计精度。单通道BSS算法主要研究了基于小波包分解的单通道盲源分离(WPT-ICA)算法、基于经验模态分解的单通道盲源分离算法(EMD-ICA)和基于变分模态分解的单通道盲源分离算法(VMD-PCA),并在VMD-PCA算法的基础上,结合矢量MUSIC算法进行方位估计(VMD-PCA-MUSIC)。WPT-ICA算法通过对观测信号进行对小波包分解和重构,保留相对能量较高的重构信号,并与观测信号组成新的多通路信号,然后结合Fast-ICA算法进行盲分离,该算法能有效解决单通道盲分离问题。EMD-ICA算法对混合信号进行分离时有模态混叠现象,要求源信号频率之间需要满足特定的关系,否则算法分离失败;EEMD-ICA算法虽然在一定程度上能够解决模态混叠,但是不能彻底消除,且迭代次数多,消耗时间长;VMD-PCA算法与上面几种算法相比,对噪声的敏感度最低,效果最好。基于VMD-PCA算法,本文提出了VMD-PCA算法和矢量MUSIC算法相结合的VMD-PCA-MUSIC算法,该算法有效解决了MUSIC算法对频率不同的混合信号无法给出正确方位信息的问题;最后分析对比了VMD-PCA-MUSIC算法和矢量MUSIC算法对混合信号的定向精度,仿真结果和试验数据结果均表明VMD-PCA-MUSIC算法的定向精度更高。