仿生群智能优化算法是目前人工智能研究热点的一个重要分支,其计算相对简单,易于扩充,此外,该算法的实现过程对计算机处理器和内存的要求较低,同时在计算过程中具有可并行以及分布运行的特点。而蜂群算法作为其中较新的一种概率搜索算法,继承了仿生群智能优化算法的理论思想,因控制参数少、易于实现、计算简洁等优点也有着较广泛的应用,但仍然存在着过早收敛、易陷入局部最优、精度不高等问题,如何选择适宜的随机过程模拟及调控恰当的局部搜索行为是解决问题的关键。盲源分离是近几年信号处理领域的研究热点之一,在源信号与传输信道未知时,通过直接观测到的混合信号经分离后恢复出源信号。独立成分分析作为其中一种重要的核心算法,应用广泛,但采用的基于梯度信息的优化算法存在着收敛速度慢、易陷入局部极值点等问题,如何选择结构简单、参数少、易调节的优化算法是其中的关键问题之一。本文根据上述问题与研究背景,在研究工作中主要探讨了一下几方面的内容：1.首先对仿生群智能优化算法及其中的蜂群算法和盲源分离作了概述,包括系统框架、主流实现算法等方面,并介绍了蜂群算法和盲源分离目前在国内外的研究和应用概况。2.系统全面地介绍了盲源分离的基础理论,包括盲源分离的算法模型、数学理论、信号混合模型、独立成分分析算法、信号的预处理及函数评价标准等,并对这些理论进行了详细的分析。3.介绍了仿生群智能优化算法中的蜂群算法,包括算法的原生物学模型、基本原理和实现流程等,并针对蜂群算法中存在的问题做了仿生策略方面的改进,主要包括在种群初始化阶段采用了反向学习的初始解优化策略,在种群更新、邻域搜索阶段采用具有Levy飞行特征的改进搜素策略,并总结了改进算法的流程。4.介绍了蜂群算法在盲源分离中的应用,将基于仿生策略改进后的蜂群算法作为盲源分离中分离矩阵的计算方法,主要包括其基本原理和相关基础理论,并总结了引入改进蜂群算法后盲源分离方法的流程。5.分别对仿生策略改进的蜂群算法和引入蜂群算法的盲源分离方法进行了实验对比。实验结果表明,基于反向学习与Levy飞行的改进蜂群算法在提高收敛速度的同时保证了算法的收敛精度,且当改进的蜂群算法作为盲源分离中初始矩阵的优化算法时,也在一定程度上解决了盲源分离的分离效果与收敛速度存在矛盾的问题。6.最后总结了本文研究的改进空间和不足,介绍了未来可能的研究方向。