自然梯度算法是盲源信号处理领域一种常见的算法,特别是在盲源信号的分离和独立分量分析中,其作为核心的算法之一,受到越来越多的关注。同时由于自然梯度算法计算量低、收敛速度快、分离效果好等优点,凸显出其良好的应用前景,并已在多方面有了广泛的应用。本文围绕传统的自然梯度算法存在的不足以及在语音和图像方面的应用方面而展开,做了以下工作：本文对于自然梯度算法在盲源信号分离中的应用进行了总结和分析,并对其相关理论进行了阐述,重点对固定步长自然梯度算法、变步长的自然梯度等算法进行了分析和比较。其都存在一些缺陷：固定步长自然梯度算法对于步长的要求很高,其直接影响到收敛速度和稳定性；变步长的自然梯度算法其步长变化还不能根据需求进行变化,虽能改进部分性能,但对于复杂条件下和在应用过程中,其收敛速度和分离效果不够理想。本文介绍了与自然梯度算法相关的信息论和高阶统计方面的基础知识以及在盲源分离和独立分量分析中几种判据和算法,重点讨论了互信息极小(MMI),信息极大(Infomax)以及最大似然估计(MLE)等三种最常用的算法的基本原理。分析了自然梯度算法的原理和步骤,介绍了神经网络中的动量因子以及表征信号分离程度的分离度的概念,将其引入到自然梯度算法中,在变步长的自然梯度算法的基础上,对算法进行了改进。算法以分离度为基准,通过动量因子的自适应变化来自适应改变步长,从而能够更好的改进盲源分离后信号的性能。以一组线性瞬时混合信号为例,成功实现了盲分离,并且经过对改进之前算法的对比,证实了其优越性。改进的算法同时也应用于语音分离和图像去噪方面,通过一组语音分离的实例以及带噪的图像的去噪,从分离后的图像以及三种评价指标来分别进行定性和定量的分析,说明了改进算法具有独特的优势。