盲源分离是一项传统的信号处理方法,其研究是在源信号以及传输通道等信息未知的情况下,仅仅由观测到的混合信号分离和恢复出源信号,具有非常重要的理论意义和实用价值,在语音处理、生物医学工程、图像处理等诸多领域均有突出贡献。首先,本文介绍了盲源分离问题的提出及研究意义;分析了国内外的研究动态;阐述了盲源分离的相关理论知识,包括盲源分离的数学模型,信号分离的可行性及分离结果的不确定性,盲源分离的独立性判据及估计方法,以及盲源分离的一般求解过程;讨论并给出了自然梯度算法中存在的不足之处,进而引出了本文研究的盲源分离算法一不完整自然梯度算法。然后,针对定步长算法无法解决收敛速度与稳态误差间的矛盾的问题,本文利用分离度作为参数来控制算法中步长的选取,提出了一种基于信号分离状态的步长自适应不完整自然梯度算法。因为此算法中步长是建立在分离度的基础上,其学习速率可依据信号的分离程度而自适应地变化,因此能够达到更好的分离效果。另一方面,由于算法中只利用某种具体的估计函数很难兼顾算法的收敛速度和稳态性能,因此,本文又提出了优选函数的概念,也就是在信号分离的不同阶段采用不同的估计函数来增加函数的灵活性,并且增加了基于代价函数梯度的变步长运算。通过计算机仿真,表明本文所提出的两种新的算法相对于传统的算法而言,能够达到更好的分离效果,更具可行性及优越性。最后,对本文的工作进行了总结,并且对研究中存在的问题以及今后研究的方向做了进一步的展望。