所谓的盲信号分离就是在混合过程和被混合源信号均未知的情况下，根据少量的先验信息，从观测值中恢复或估计出源信号。这一先验信息通常就是盲信号分离中的基本假设条件—源信号是统计独立的。线性即时混合和独立性假设条件下的盲分离问题又称为独立分量分析(ICA)。源信号的统计独立性是一个很宽松的条件，因此盲信号分离在众多的领域中获得了广泛的应用，例如语音信号处理、图像信号处理、生物医学信号处理、通信、雷达等等。盲信号分离研究的发展已有近二十年的历史，其间提出了很多方法和算法，那么究竟哪些内容是盲分离的主干核心理论?虽然有的文献已经归纳了ICA的主体内容，但不是对核心内容的提炼。本文以盲分离的可分性、分离准则和搜索算法为主线，构建了基本ICA模型下盲分离的核心内容框架，阐述了这一框架下的相应内容，并作出了分析和讨论。负熵准则是一个已被广泛接受的盲分离准则，对负熵分离准则的解释是非高斯性度量。然而，将独立性判定转变为非高斯性判定，其统计学原理上的严谨性是值得商榷的，但是实验表明负熵准则FastICA算法是有效的，因而其实现盲分离的机理是值得分析和研究的问题。对此，本文从统计学原理、负熵的近似计算、实现盲分离的机理等几个方面、对盲分离负熵准则作了深入的理论剖析和实验研究，给出了相应的结论。近几年，人们将盲分离技术应用于体表ECG心房颤动信号的盲分离，但是多数房颤信号盲分离的算法都是基于12导联ECG的，这存在一些问题。首先、大量的分离实验表明，分离后的结果中通常有两个分量都具有相对较强的房颤信号特征，这可能预示着在12导联系统中将心房颤动信号等效为一个独立源未必是合理的模型。其次、肢体6导联信号并不是线性独立的。为此，本文提出了基于胸前6导联ECG的房颤信号快速盲分离方法。另一方面，目前的房颤信号盲分离方法没有考虑这样一个事实：房颤具有很强的随机性，在不同的心跳周期中它的形成和传播过程都可能不同，对此本文在实验研究的基础上，提出了考虑这一时变特性的另一房颤信号盲分离方法。当对信号进行分段盲分离时，由于盲分离的模糊性，前后数据段的分离结果没有一致的分量对应关系，也不能保证正确的信号幅度关系。本文通过改变基本ICA的数据模型，引入了源分量旋转角等新概念，给出了多帧可辨识的可辨识性定理，提出了确定源分量旋转角的一般思路，从而构建了多帧可辨识盲信号分离的一个初步理论框架。同时在此框架下，利用会议语音的稀疏性等先验信息，提出了两种会议型语音信号的欠定盲分离算法。