盲系统辨识是指仅仅利用系统输出端信号和某些辅助信息来估计系统的未知信息的信号处理技术。在移动通信中，基于对高容量、高可靠性传输的追求，不需要训练序列的盲系统辨识技术是具有吸引力的。本文主要研究了关于单输入多输出(single-input multiple-output，SIMO)系统的盲辨识算法。本文首先描述了两种等效的SIMO系统模型，并在此基础上说明了盲系统辨识的问题如何展开以及盲系统辨识的一般可辨识性条件。然后，本文系统地论述了基于线性时不变信道模型的批处理算法和自适应算法、以及基于时变信道模型的盲辨识算法。批处理算法是针对信道线性时不变或者变化非常缓慢的情况。本文介绍了两种确知类的批处理算法：CR算法和TSML算法，并且TSML算法的第一步是由CR算法初步估计信道参数。由于TSML算法计算量较大，本文在其基础上提出了一种能够减小计算量的最小TSML算法，并且子信道数越大，计算量的减小就越明显，同时仿真实验表明该算法与TSML算法的性能相当。本文还介绍了另外一种基于二阶统计特性的批处理算法——线性预测盲辨识算法，该算法对信道阶数的过估计具有良好的稳健性。为了能够自适应地跟踪信道，本文研究了几种基于各子信道输出之间的CR性质的自适应盲辨识算法：基于LMS和牛顿方法的自适应盲辨识算法、基于两两子信道分别估计的多信道并行估计自适应算法和基于RLS的多信道自适应盲辨识算法。其中，基于RLS的多信道自适应盲辨识算法是本文对两信道RLS自适应盲辨识算法的拓展，具有性能较好且收敛速度快的特点。对于快速衰落信道，即使是自适应算法也往往跟不上信道的变化，因此有必要研究基于快速衰落时变信道模型的盲辨识算法。本文首先分别介绍了线性预测批处理算法和基于复指数基展开的时变信道模型，然后详细描述了基于该时变信道模型的线性预测盲辨识算法和盲均衡算法。盲系统辨识的可辨识性条件之一是所有的子信道没有公共零点，即只要有两个子信道没有公共零点，系统就是可辨识的。本文通过仿真实验表明，关于联合估计多个子信道的盲辨识算法，差异最大的两个子信道的辨识性能越好，则整个信道的辨识性能越好，更进一步说，差异最大的两个子信道的估计性能可以预测整个信道的估计性能，二者估计的归一化均方根误差之间的均值误差不超过2dB。另外，本文给出了盲辨识算法的复数信道冲激响应的性能评估公式，并将其应用到全文中。对于各种算法和结论，本文都利用MATLAB仿真实验进行了验证。