PCMA技术(Paired carrier multiple access,成对载波多址)提升卫星通信容量的同时具有良好的抗侦收性能,近年来得到了广泛的研究和应用。在非合作接收PCMA信号的场景下,第三方终端难以获取通信双方信号的先验知识导致信息截获困难。传统基于遍历思想的盲分离算法复杂度高,在非线性失真或者时变信道下使用时性能恶化严重,难以满足实际系统中面临的多路PCMA卫星信号实时截获的需求。文章提出了一种基于深度学习和神经网络的信道估计与序列检测联合的信号盲分离算法。基于编码信息、信道记忆特性等相关性利用深度学习挖掘符号序列的结构特征,采用双向循环神经网络实现盲解调避免了对符号的遍历搜索从而降低了计算复杂度;针对时变信道场景,提出了一种基于深度循环神经网络的方法进行信道参数的估计和跟踪。实验结果证明,与传统PSP算法相比,文章所提出的盲分离算法在时变信道、非线性失真信道情况下均具有更好的BER性能,实现了高性能低复杂度截获。此外,算法还具有较好的泛化能力,可以在存在信道参数估计误差的场景下实现信号盲分离。