盲源分离是二十世纪九十年代末期提出的一种新的信号处理方法,是在源信号及传输信道未知的情况下,仅利用接收滤波器输出的观测数据恢复源信号的方法。主要用于恢复和提取多通道混合信号中的潜在成分,进而在混合信号中分析出有用信号。盲源分离由于不需要训练序列就能实现对混合源信号的分离,已被广泛应用于通信、图像处理、生物医学、地质勘探等领域,成为目前信号处理领域的重要热点研究课题之一。传统的盲源分离算法是以接收信号为平稳信号为前提进行处理的,但自然界中的多数信号却具有循环平稳特性。本文以循环平稳理论为基础对接收信号进行处理,从接收混合信号中提取有用信息,使算法的运算量大大减小,仿真实验表明了新算法具有较好分离效果。本文所做的主要工作有：(1)研究了循环平稳理论及其在信号分离中的应用,阐述了盲源分离算法的基本原理、算法类型、发展现状等,重点分析了高阶统计量盲源分离算法和二阶统计量盲源分离算法。(2)阐述了利用循环平稳度控制分离矩阵的原理,推导了二阶循环平稳度准则,提出了基于该准则的盲源分离算法。同时,将二阶循环平稳度扩展到高阶循环平稳度,推导了三阶循环累积量的循环平稳度准则,证明了该准则对于信号分离的有效性,提出了基于三阶循环平稳度准则的盲源分离算法。(3)阐述了通过优化规则求解目标函数极值的盲源分离算法原理,分析了联合矩阵近似对角化过程,提出了基于循环平稳理论的联合矩阵近似对角化盲源分离算法。首先对接收信号进行鲁棒白化处理,根据二阶统计量实现混合信号的去相关,在对各分量进行正交变换后实现混合信号的盲源分离。同时,将循环累积量引入矩阵联合近似对角化原理中,提出了基于循环累积量的联合近似对角化盲源分离算法。(4)根据信息论相关理论,分析了KL散度和最小互信量及其性质,提出了基于互信息量最小化的循环平稳信号盲源分离算法。该算法利用互信息量来度量分离信号的循环相关矩阵和单位阵的相似程度,通过自然梯度寻优算法来实现互信息量的最小化,从而得到理想的分离矩阵。