盲信号分离是一种新兴的信号处理技术,它在地震勘探、语音处理、图像增强、雷达声纳及生物医学工程等领域中具有潜在的应用价值,同时线性瞬时混合是盲信号分离中最基本的混合方式,在此模型中推导出的算法很多都可以扩展到其它混合模型中,因此本文着重研究了线性瞬时混合模型中的盲信号分离问题,并做了如下主要工作。1、盲信号分离首先要解决的是信源数的估计问题,本文在深入分析了现有主要方法估计出错原因和适用范围的基础上,提出了一种基于聚类分析的信源数估计方法,并且通过期望聚类过程定义了一种新的类间距离。仿真结果证实,该方法不仅能对平稳信源数做出一致性估计,并且对非平稳信源数做出一致性估计的概率要明显高于其他方法,为盲信号分离在实际中的应用进一步奠定了基础。2、信源数未知和动态变化时的盲分离问题可以分为无观测噪声混合模型和有观测噪声混合模型。在无观测噪声混合模型中,本文提出将分离矩阵设为N×N维而不是通常的N×M维,并利用信息熵理论说明了该方法的可行性,显然该方法需要的计算量更少,仿真也表明该方法具有更好的收敛效果。在有观测噪声混合模型中,本文通过先对观测得到的混合信号样本做主分量提取,再将其作为分离网络的输入,以此提高了分离网络输出信号的信噪比。3、FastICA的本质是基于牛顿迭代的,因此其对随机选择的初始值较敏感,针对该问题,本文提出了一种基于拟牛顿迭代的批处理盲分离算法,并详细讨论了将负熵作为对比函数的算法推导过程。仿真结果证实,该方法不仅对随机选择的初始值不敏感,而且具有与FastICA接近的计算速度。4、针对自适应盲分离算法中普遍存在的步长优选问题,本文提出了一种基于混沌扰动步长的自适应盲分离算法。该混沌扰动步长是在指数衰减步长的基础上,添加一个依据输出信号互信息量并利用混沌搜索得到的扰动项来获得的,因此,相对于指数衰减步长,混沌扰动步长建立了步长与输出信号分离状态之间的联系。仿真结果证实,该方法比使用固定步长、自适应步长、指数衰减步长的自适应盲分离算法具有更好的分离效果。