仅仅根据输入源信号的统计独立性,将通过未知混合系统后通过传感器接收到的观测信号恢复出源信号的过程称为盲源分离。它涵盖统计信号处理、人工神经网络、信息理论等多个学科知识,已经发展为很多领域的重要研究课题,如生物医学,医疗图像、雷达与通信系统、语音分离、数据采掘、地球物理、地震检测,天气预报、气候预测等。　　本文介绍了盲源分离理论知识并且重点研究瞬时混合信号的自适应盲源分离问题,尤其对自然梯度算法、动量项自然梯度算法的分离性能进行MATLAB仿真和分析。针对这些算法的缺点,进行改进优化,提出了能够有效改善算法整体性能的算法。　　首先,阐述了有关盲源分离的研究背景、意义、研究历史、发展现状以及在实际中的应用。系统地介绍了盲源分离的基本理论,其中包括它的数学模型、可分离性和不确定性。对在解决盲源分离问题过程中用到数学和信息论知识做了简单介绍。给出了盲源分离的代价函数的构建方法和其优化准则、算法的分离性能指标。　　其次,介绍批处理盲源分离算法和自适应盲源分离算法。重点给出了自适应盲源分离中的自然梯度算法,并通过计算机仿真并分析了该算法的优缺点,针对算法不能兼顾收敛速度和稳态误差的缺点,详细介绍了动量项自然梯度算法,使分离矩阵经过较少的迭代次数就可以达到它的最优值,仿真实验证明不管是平稳还是非平稳环境,该算法都可以实现混合信号的分离。　　然后,借鉴神经网络的动量项思想,并且通过引入滑动因子,将融入动量项自然梯度算法的两个分离系统结合在一起,提出了双系统耦合的动量项自然梯度算法。该算法利用滑动因子自适应的调整两个分离系统在分离过程中的比重,很好的解决收敛速度和稳态误差之间的矛盾,有效改善算法的整体性能。但是此算法同时具有两段收敛的缺点,为了消除这个缺点,对双系统耦合的动量项自然梯度算法进行了优化,进一步改进了算法的分离性能。　　最后,总结全文的工作,并且给出了对盲源分离技术的发展过程中面临的瓶颈和对未来进行了展望。