盲信号处理是近年来信号处理领域的研究热点问题，盲信号的盲是指该信号的源信号和传输信道未知或是知之甚少。仅仅根据源信号的一些统计特性（如独立性）从传感器接收到的盲信号中分离提取出源信号的过程叫做盲源分离。盲分离技术因其独特的信号处理方式而被广泛应用于多个领域，如语音信号处理、地震信号处理、生物医学信号处理、阵列信号处理、通信与系统检测、语音信号处理等。本文首先介绍了盲源分离问题的研究背景、历史和现状以及其在各领域中的应用。并对盲源分离的基本理论，包括其混合模型、基本假设、数学理论基础知识和代价函数的优化准则以及评价算法性能优劣的评价准则等进行了详细论述。其次给出了盲源分离算法中的几种常见的批处理算法和自适应算法，并针对常规自然梯度算法进行了深入研究，且对其存在的缺陷进行了分析和改进，给出了优化算法。针对该类算法收敛速度慢的特点，参考神经网络中的动量项思想，在分离矩阵迭代的过程中加入分离矩阵前一时刻的变化量，这样使得算法的分离性能在一定程度上得到了提高。然而动量项的加入使得算法的收敛性能对动量因子大小的选取很敏感，为此在动量项算法的基础上引入可自适应调节的动量因子得到变动量因子盲源分离算法，实验证明该算法很好的消除了固定动量因子初值选择问题对算法的影响，但算法的收敛性能仍然不能突破步长参数的限制。然后为了进一步减缓和消除这种限制在变动量因子算法的基础上基于组合理论设计了不同步长参数下的两个变动量因子盲源分离系统进行自适应优化组合的方案，新算法融合了两个大小步长的变动量因子分离系统的各自优点，得到了双系统自适应组合的盲源分离算法，该算法可在不同的时期通过组合因子的自适应调节来选择合适的步长参数，仿真实验表明该组合算法具有良好的分离性能。最后，对全文进行了工作总结，并对盲源分离技术现存的一些急需解决的问题进行了介绍，另外还对盲源分离技术的未来进行了展望。