盲源分离是神经网络领域与信号处理领域相结合的产物，它是最近十年发展起来的一个新的研究领域。盲源分离要解决的问题是当源信号和混合信道的特征均未知的情况下，分离出原始信号的算法。它具有非常重要的理论意义和实用价值，被广泛应用于无线通信领域、生物医学信号分析与处理、图像识别、数据挖掘、语音增强以及地球物理数据处理方面，有着非常广阔的发展前景。本文所做的主要工作：(1)介绍了盲源分离算法的研究目的和意义，阐述了盲源分离问题的起源及发展动态。分析了盲源分离的基础理论，总结并证明了高阶累积量、负熵、熵、互信息、似然函数等常用的目标函数，以及各种优化算法。给出了评判盲源分离算法性能的标准。(2)分析了基于神经网络盲源分离算法的原理和结构。针对基于最小互信息前馈神经网络盲源分离算法，提出了加入动量项的改进前馈神经网络盲源分离算法。该算法把前一时刻权值的调节量用于当前权值的调节过程中，可以有效地抑制网络陷入局部极小，防止了振荡，加快了权值的收敛速度。通过计算机仿真实验验证了该算法的优良性能。(3)分析了基于最大熵递归神经网络的盲源分离算法原理及结构，针对Matsuoka等人提出的递归神经网络盲源分离算法基础上，提出了一种基于全递归神经网络的盲源分离算法，该算法在分离网络结构和优化算法上对原算法进行改进，特别是当信号被严重伸缩，即混合矩阵A近似奇异的时候，分离效果良好。计算机仿真实验证明了该算法的良好分离性能。(4)对盲源分离算法在各领域的应用作了介绍，尤其是对在图像处理和生物医学信号处理中的应用作了初步的探讨。