盲分离(Blind signal separation,BSS)技术是现代信号处理领域中一个崭新的研究方向,目前已广泛应用于语音信号处理,图像处理,阵列信号及医学信号处理等许多领域。目前解决盲分离问题主要利用的是独立分量分析(Independent component analysis,ICA)方法来提取相互统计独立的源信号。本论文首先介绍了独立分量分析的基本原理和常用的几种算法,以此为基础,着重对自适应盲分离(Equivariant adaptive blind source separation based ICA,EASI)算法进行了详细的研究,所做的主要工作是对两种不同的角度给出自适应盲分离(EASI)算法,分析了EASI算法在最优解处的局部稳定性,进一步分析稳态误差和步长因子的关系。在自适应算法中,步长因子是十分重要的因素,它影响了算法的收敛速度和最终的稳态误差,由于EASI算法采用的是固定步长,故不能使收敛速度和分离性能达到最佳结合。对于一种已有的变步长自适应盲分离(Variable step Equivariant adaptive blind source separation based ICA,VS-EASI)算法,通过分析和仿真实验发现这种算法也不能很好的改善收敛速度和分离性能的均衡,使之达到最佳的统一。在此基础上,本文提出了一种改进的变步长自适应盲分离算法,该算法的步长是基于分离矩阵,由信号的分离程度自适应的选取的,因而能很好地解决收敛速度和稳态误差之间的矛盾,对其进行了算法性能仿真实验,实验结果证实了改进的自适应盲分离算法优于EASI算法和VS-EASI算法。