盲源分离是指源信号、传输信道特性未知的情况下,仅由观测信号和源信号的一些先验知识(如概率密度函数)估计出源信号各个分量的过程。盲源分离作为近几年兴起的一种高效的信号处理方法,在天线阵列信号处理、医学信号处理、图像处理和舰船振动测试等领域具有广泛发展前景,已逐渐成为当今信号处理界和神经网络界共同感兴趣的科学热点。以盲信号处理的瞬时线性混合模型为基调,论文所做的主要工作：1.首先阐述了盲源分离问题的主要解决方案-独立分量分析(Independent Component Analysis, ICA)。以信号的数学模型为依据,详细介绍ICA的基本假设和不确定性,简述ICA的预备信息论知识和独立性测度准则,总结了常用算法的性能指标。2.讨论了盲源分离算法的批处理和自适应算法。基于负熵的快速ICA算法对一批已取得的数据样本进行处理,收敛速度快,但跟踪性能差；而自适应算法是对单次采样数据进行处理,实时性强。在信道恒定下,前者分离性能明显强于后者。在信道不稳定下,只能采用自适应算法,而其固定的学习步长存在收敛速度和稳态精度无法兼顾的缺点,学习步长的优化问题是论文研究自适应算法的核心,以使收敛性和稳定性达到最佳效果。3.针对影响在线算法的主要因素--激活函数和学习步长,首先引入峭度的在线估计,使得带有参数的激活函数满足不同类型的信号源组合,并分析了梯度变步长的自然梯度算法的特点--具有较强的实时跟踪性,然而学习步长的选择以辅助变量为依托,与输出信号之间的分离程度无关,使得在信道不恒定、初始步长偏大情况下,算法的分离精度未能达到满意效果。在梯度变步长基础上,论文提出改进变步长的自适应算法,定义一种表示神经网络输出之间的分离程度的相似性测度,根据相似性测度所反映的信号分离状态自适应调节步长,并建立学习步长和相似性测度变化量的非线性关系。与以往算法对比,该算法不仅具有收敛速度快,稳态误差小的特点,且适合在信道不恒定的时变环境。4.对基于独立分量分析的盲源分离算法在舰船振动信号中的应用作了初步的探讨。深入分析舰船噪声的线谱建模、连续谱建模以及调制包络建模。建立舰船辐射噪声的数学模型,并仿真验证算法在舰船噪声源分离的可行性。