近年来,盲源分离（Blind Sources Separation,BSS）在语音信号的识别、检测机械故障、检测脑电波病理情况以及雷达信号的目标识别上应用广泛。一般是通过矩阵变换或者根据源信号的概率统计特性等方法,将每一个源信号分离出来。盲源分离技术根据观测信号的个数可以分为多通道盲源分离（MCBSS）和单通道盲源分离（SCBSS）。多通道盲源分离是将n维的源信号通过某种方法进行混合,可获得m维的混合信号,从这m维混合信号中恢复出n个源信号。而单通道盲源分离是多通道盲源分离的一种病态问题,多个源信号混合后只获得一个观测信号。如今,多通道盲源分离在阵列天线接收信号领域已经应用广泛,而单通道盲源分离由于信息太少,在没有先验条件下,解决起来十分困难,但由于更符合实际应用场景,具有更高的研究价值。本文以中段弹道微动弹头构成的群目标为背景,以多通道和单通道盲信号分离技术以及信号去噪技术为路线,深入研究了微动群目标的回波分离方法。主要分为以下几方面:第一部分主要介绍了盲源分离的研究背景以及研究意义,阐述了盲源分离的研究现状,并联系弹道中段群目标这一研究背景,采用单通道雷达接收体制更加符合实际,并简单介绍了弹头的微动形式,以及单通道分离的数学模型和分离评判标准。第二部分研究在多通道情况下,分别利用两种不同的方法进行信号的分离。首先利用非高斯信号的负熵最大化特点,采用独立成分分析的方法分别对回波复数信号的实部和虚部进行分离,但是存在与源信号幅度、相位不同的缺点。然后研究四阶累积量矩阵联合对角化的方法进行信号分离,通过建立四阶累积量矩阵,并对其进行特征值分解,对角化四阶累积量矩阵,最终求得分离矩阵,进一步分离源信号。第三部分研究在单通道情况下,分离不同弹头不同微动形式的回波的方法。首先根据弹头不同微动周期特性,将单通道观测信号排成矩阵,利用奇异值比谱的方法估计每一个目标的微动周期。但是由于该方法进行多次奇异值分解（SVD）,造成算法耗时严重,可采用功率谱方法提取满足条件的峰值,对应频率的倒数即为目标微动周期。然后,研究在源信号周期不同的情况下,根据信号周期差异,分别利用SVD得到的最大奇异值对源信号进行重构以及通过分段叠加的方法对混合信号进行分离,并通过仿真对比了分离结果,在周期准确估计的前提下,奇异值方法只能得到信号的大致波形,分离误差较大,而采用分段叠加的方法分离的信号精度较高。第四部分研究了对含有高斯白噪声的混合信号进行去噪的一系列优化问题,并对去噪后的混合信号进行信号分离。首先根据白噪声的分布特点,在经验模态分解（EMD）的基础上,研究了寻找噪声与信号分界点准则的不同方法,对于含噪分量采用类似于小波软阈值去噪的方法进行去噪。由于EMD方法存在模态混叠问题,使得去噪后的信号分离的效果不理想,采用完备集成经验模态分解（CEEMDAN）方法,可以有效改善模态混叠问题,提高去噪的精确度,从而降低分离信号的误差,并通过仿真验证了上述原理。