自适应盲源分离是在20世纪90年代发展起来的一种实时盲信号处理技术，通过利用信号的数据特征自动地调整算法处理参数和约束条件，从而实现最佳的分离效果。与批处理相比，自适应盲源分离计算量小，计算时间短，不仅适用于数据的实时处理，而且适用于非平稳环境中。本文在研究现有成果的基础上，主要对影响自适应盲源分离算法的步长因子以及变步长的构造方法进行了研究，并分析了当观测信号为超高斯信号和亚高斯信号混合而成时的盲源分离。主要内容如下：
　　（1）本文首先介绍了盲源分离的发展历史以及国内外研究动态，对盲源分离的基本理论进行了概述，包括盲源分离的数学模型、基本假设以及相关的信息论基础知识，简要介绍了几种经典的自适应盲源分离算法，并对自然梯度盲源分离算法目标函数的建立及其算法进行了推导,同时对影响算法性能的主要因素步长和激活函数进行了分析。
　　（2）自适应盲源分离算法作为一种LMS型算法，存在着收敛速度和稳态误差之间的矛盾，为克服这一矛盾，本文在研究自然梯度算法的基础上，提出了一种引入动量项的双自适应自然梯度算法，该算法将分离度分别引入到自然梯度算法的步长因子和分离矩阵中，并根据分离效果自适应调整分离度，从而在加快算法收敛速度的同时，降低稳态误差。仿真实验证明，提出的新算法的性能明显优越于固定步长和传统变步长算法。
　　（3）当混合信号为超高斯信号和超高斯信号混叠而成时，由于非线性函数的限制，大多数自适应盲源分离算法将无法实现有效分离。针对这一问题，人们提出了很多算法，其中具有代表性的是一种基于概率密度估计的盲源分离算法（DEBBSS），由于其采用经验固定带宽，只适用于单峰概率密度函数的估计。本文在DEBBSS算法的基础上，通过引入Sheather-Jone带宽选择法和局部带宽因子，得到了一种基于概率密度估计的改进算法，该算法能够同时实现对单峰和多峰概率密度函数的估计，使得分离信号更接近源信号。仿真实验证明，提出的算法不仅能够有效实现超高斯和亚高斯混合信号的盲源分离，而且具有较好的性能。