盲源分离是指在没有任何先验知识的条件下,从观察的信号中恢复或者提取相互独立的未知源信号的方法。盲源分离作为数字信号处理领域中一个新的分支,具有重要的理论意义和实用价值,已被广泛应用于无线通讯、生物医学信号处理、地质勘查、语音识别以及图像信号处理等领域,已经成为信号处理学界和神经网络学界共同研究的热点课题之一。传统的盲源分离算法都假设接收信号为平稳信号,但是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观察信号进行处理,从观察的混合信号中分离出源信号,且使算法的运算量大大减小。本文所做的主要工作有：介绍了盲源分离算法的起源以及国内外研究动态,并阐述了盲源分离算法的基本原理与几种经典的盲源分离算法,并分析了各算法的优缺点。介绍了循环平稳理论及其应用领域,总结了几种可以应用于循环平稳理论的盲源分离算法,并分析了几种主要的代价函数与学习算法。通过对循环平稳信号特性的分析和传统盲源分离算法的研究,提出了一种新的盲源分离算法,该算法用互信息量来度量分离信号的循环相关矩阵与单位阵的相似程度,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。由于基于互信息量最小化的循环平稳信号盲源分离算法采用固定步长,使得其收敛速度、学习能力和稳态误差不能兼顾。为了克服上述算法的内在矛盾,本文提出了一种变步长算法。仿真结果表明该算法对具有循环平稳特性的源信号分离效果显著,且收敛速度快。