盲信号处理是当今信号处理领域的一个研究热点。它在无线通信、医学信号的智能化处理和分析、特征提取、语音和图像的增强及识别等方面有广泛的应用。相关的论文提出了众多有效的算法。在已有算法的基础上，本文做了以下几个方面的工作： 1．有些基于互累积量准则的算法不能够分离超高斯、亚高斯与高斯信号的混合信号。有些神经网络算法虽然能够分离超高斯、亚高斯与高斯信号中的任意一类信号，但是需要人为地选择相应的非线性函数作为评价函数的估计。有些算法先估计信号概率密度，进而估计出评价函数，但是算法的复杂度高。本文算法的着眼点在自适应地估计评价函数。评价函数的形式由一个参数的值决定，通过在线估计这个参数，从而使评价函数变成适合分离的信号所需要的形式。估计评价函数的算法需要调整的参数只有一个，因此算法的复杂度低，实验证明算法对参数初始值的选取也不敏感，算法的稳定性好。同时提出了几个基于累积量的分离算法。 2．后非线性盲分离系统中的非线性部分用一个多层感知器模拟。在盲解卷模型的参数空间里，代表代价函数最陡下降方向的不是传统的梯度而是自然梯度。基于传统梯度的BP算法的收敛速度慢，容易陷入局部最优点。本文采用自然梯度法估计盲解卷模型中的参数。相对而言，基于自然梯度的学习算法收敛的速度更快，分离的效果更好。 3．提出了一个基于核函数的后非线性盲分离算法。本算法先将有非线性失真的观测数据变换到特征空间中，求两个不同数据集合(都属于观测信号)的协方差矩阵，然后解一个广义特征值问题，就可以恢复出源信号。这个方法比基于神经网络的算法简单。针对卷积混合的情况，本文将线性混合情况下的解相关方法推广到特征空间中，提出了一个同样是基于核函数的后非线性盲解卷算法。 4．提出了一个基于集成学习方法的盲解卷算法。基于最大似然的盲解卷算法容易陷入局部最优解，集成学习方法有效地克服了最大似然方法的这个缺点。因而，算法的估计效果更好。 5．讨论了在Bayesian方法盲分离/解卷算法中，考虑先验信息以后与没有考虑先验的算法的性能差别。在基于源信号独立假设条件的算法的基础上，以先验形式引入二阶统计信息，使算法适用于源信号不完全独立但是满足不相关条件的情况。