盲源分离是信号处理领域的研究热点,近几年来,吸引了神经网络学界和信号处理学界众多学者的研究兴趣。简而言之,盲源分离就是在传输信道特性未知、输入信息未知或有少量先验知识的情况下,仅由系统输出的混合数据恢复出独立的信号源。目前,盲源分离广泛地应用到通信系统、语音识别、信号去噪、声纳问题、生物医学信号处理等领域。传统的盲源分离算法均假设信号为平稳信号,但是许多情况下信号的统计特性是随时间变化,呈现循环平稳特性,利用信号的这种特性一方面能够反映信号的非平稳性,相对传统方法而言,能更准确地反映信号的本质；另一方面与一般非平稳信号相比,循环平稳信号具有频谱冗余特性,所以有一种潜在的抗干扰能力。因此,对信号的循环平稳特性进行分析,对于噪声背景下的信号处理有着十分重要的意义。本文对盲源分离技术的国内外研究现状和应用领域进行了阐述,在介绍了盲源分离和循环平稳的理论知识的基础上,提出了自然梯度算法实现互信息量最小化的盲源分离,通过仿真实验,该算法可以达到很好的分离效果。然而传统的自然梯度算法多采用固定步长,使得其收敛速度和稳态误差不能兼顾,为了克服这个缺点,本文在自然梯度算法实现互信息量最小化的盲源分离基础上进行了改进,提出了基于自然梯度算法的变步长盲源分离,既可以获得较快的收敛速度,又可以减小稳定误差,有效地避免了步长选择对分离效果的影响。