近年来,盲信号处理(盲源分离、盲均衡、盲系统辨识、盲反卷积)方法的研究已经成为信号处理、神经网络等领域一个引人注目的热点问题.盲信号处理方法一经提出,就在信号处理领域引起了广泛的研究兴趣,有许多相关的研究成果和论文发表.盲信号处理有着可靠的理论基础,在生物医学工程、医学成像、无线通信、语音增强、语音识别、地震探测、地球物理学、计量经济学、数据挖掘等众多的领域有着广泛的应用.盲信号处理的目的是在源信号与混合系统参数未知的情况下,只利用观测信号及源信号的一些统计性质,根据具体问题的需求,去恢复源信号或者估计混合系统的参数. 在盲信号研究领域,盲解卷问题是一个很具有挑战性的问题,尤其是非最小相位系统中的盲解卷积问题.由于在混合模型中包含最大相位和最小相位两个部分,通常情况下需要用双边无限冲击响应(infinite impulse response:IIR)滤波器来构造解卷模型,但在解决实际问题时,很难为双边IIR滤波器找到一个有效的学习算法.本文从研究非最小相位系统的盲解卷积问题出发,分别从可计算性,计算效率以及收敛特性等几个方面进行研究.首先通过对解卷模型进行分解,提出一种串联的盲解卷结构,为非最小相位的盲解卷问题提供一种计算模型.为提高盲解卷问题中的计算效率,进一步研究混合模型结构,在两阶段盲解卷准则的指导下,提出一种新型的两阶段解卷算法,具体由基于二阶统计量的盲去相关算法与基于高阶统计量的盲分离算法所构成,由于基于二阶的盲去相关算法是一个确定性算法,所以使解卷算法的计算性能得以提升.并将两阶段解卷算法思想与滤波器分解方法结合,得出一种可解决非最小相位系统盲解卷问题的新型两阶段解卷算法.在盲解卷问题中,由于混合系统参数的复杂性,解卷算法通常需要经过多次迭代才能收敛到稳定解.为进一步提升解卷算法的收敛性能,通过研究解混合或解卷模型的几何结构,主要是研究了非奇异矩阵及非奇异滤波器流形的几何结构,最后提出基于共轭梯度的盲分离和盲解卷算法,从而获得更为高效的收敛性能. 除对非最小相位系统盲解卷问题的基本计算问题进行研究以外,我们还针对具有时序结构信号的分离和解卷问题进行了研究.通过信号中的时序结构进行描述,把时序结构的模型描述引入到盲分离算法,同时学习时序结构及解混合模型的参数.分别针对瞬时混合和卷积混合两种情况,给出基于剩余量的盲分离和盲解卷算法.最后还研究如何将盲解卷算法引入到无线局域网模型中,构造一个新型的无线局域网模型框架,对把盲信号处理技术在具体问题的运用进行了探索. 本文的主要创新之处体现在: 1.提出一种基于滤波器分解的盲解卷模型,由一个因果的滤波器和一个反因果的标量滤波器组成一个灵活的串联结构,利用这种结构分别给出两个滤波器的学习算法,给出了相应的稳定性条件. 2.利用两阶段解卷方法,提出一种由基于二阶盲去相关算法和高阶去混合算法相结合构成的盲解卷算法,并结合滤波器分解方法,给出了解决非最小相位系统盲解卷问题的两阶段盲解卷算法. 3.分析非奇异矩阵与非奇异滤波器流形的几何结构,给出相应流形上的测地线、平行移动和共轭梯度定义,然后应用于解决盲分离问题,分别给出瞬时混合及卷积混合情况下的共轭梯度盲算法. 4.同时考虑信号的时序结构及高阶统计量,利用使抽取时序结构后的剩余量信号相互独立准则,得出基于剩余量的瞬时盲分离和卷积盲分离算法,有效解决具有时序结构的信号的盲分离和盲解卷问题. 5.把盲均衡技术与MIMO、OFDM技术相结合,提出一种新型的无线局域网模型.给出一种解决解决高速传输问题的新思路,并在理论和算例上验证新框架的可行性