某些电力设备在运行时的高电压和强电磁场等复杂环境对接触式设备故障检测方法带来一些局限,针对该问题,提出非接触式基于音频特征的故障音检测方法。盲信号分离或盲源分离(Blind Source Separation, BSS)是信号处理领域的新方法和新技术,它指的是在未知源信号与混合系统参数的情况下,仅由传感器搜集的观测信号估计出源信号的过程。在过去的几十年中,盲信号分离技术由于其潜在的应用价值,受到国内外众多学者的关注,并得到了迅速发展。目前,盲源分离已经广泛应用在诸如语音增强与识别、生物工程、数字图像处理和信息安全等领域中。针对设备故障音检测中存在多音源干扰问题,本文将盲信号分离方法加以应用,并对此展开研究。论文首先对盲源分离的线性模型盲信号分离和非线性模型盲信号分离进行了理论分析,进而对线性模型盲信号分离作了重点研究。线性模型是较为理想的数学统计模型,常见的算法有：(1)基于负熵的固定点算法,通过高阶累积量负熵来衡量信号之间的独立性,当负熵的值越大说明分离信号越趋向于独立；(2)信息极大化的自然梯度算法,实际上是将输入与输出之间的信息传输最大化转换为求解输出熵的最大化；(3)联合近似对角化算法,通过四阶累积量构建联合矩阵,然后使用近似对角化的原则进行寻优估计求得分离矩阵。将这三种算法分别对电力设备作业现场多种混合音源信号进行分离,并通过性能指数、相似系数及分离声音测听等手段对信号分离效果进行了统计分析、比较,以实验结果证实了盲信号分离技术在设备故障音检测中的多音源信号分离的有效性以及不同方法的性能差异。鉴于非线性模型盲信号分离在实际应用中的需要,本文对非线性模型中的后非线性盲信号分离算法和反向传播神经网络的盲信号分离算法也进行了初步研究,但进一步的实验研究有待深入开展,进而将其应用于设备故障音检测。