盲分离技术是信号处理领域近十年来研究的热点问题，分为两大类：1)实时混合信号的盲分离；2)动态或者是卷积后混合信号的盲分离，包括盲解卷及盲识别等。信号的盲处理技术由于不要求已知信源及信道的先验知识，在无线通信、电话会议系统、医学分析、地理探测和图像增强、识别等方面有广泛的应用。 本文对盲分离理论及算法进行了深入的研究，包括实时混合信号以及卷积混合信号的盲分离问题。本文主要工作如下： (1)对于实时混合信号的盲分离，导出了一种基于二阶矩的新算法，该算法放宽了传统算法要求原始信号是相互独立(空间上相互独立)的假设条件，并且易于计算。实验表明，该算法可以在噪声和语音信号相关的情况下，有效地提取出语音信号； (2)对于实时混合信号的盲分离，导出了一种基于自然梯度的自适应盲分离算法。与以往的基于自然梯度的等变量(EASI)算法相比，新算法将EASI算法中要求输入信号的相关矩阵是单位阵的假设条件放宽为只要求信号的相关矩阵为对角阵，从而具有更广泛的应用范围。实验结果证实了新算法的有效性； (3)对于卷积后混合信号的盲分离，本文结合矩阵分析理论、随机自然梯度下降方法和高阶统计量提出了一种基于最小互信息量的单输入单输出盲解卷算法，以及基于最大熵和最小互信息量分离标准的两种多输入多输出盲分离算法。实验表明，最大熵和最小互信息量分离标准应用在卷积后混合信号的盲分离中，仍然可以有效地分离信号，算法在噪声存在情况下仍然有良好的分离效果； (4)对于卷积后混合信号的盲分离，以往的算法要求输入信号是独立同分布信号，而实际信号(如语音信号)不满足这个假设条件。本文结合多抽样率分析技术和线性预测技术，提出了一种新的盲识别算法和一种新的盲解卷算法。算法不要求原始信号的相邻采样点之间是相互独立的假设条件，因而具有更好的实用性。实验结果表明，在原始信号的相邻采样点之间存在相关性(即时间上不独立时)，新算法比以往的算