盲源分离(BSS)是利用源信号间的统计独立性，在源信号和混合通道都是未知的条件下，仅由观测信号分离出各源信号的过程，也称独立分量分析（ICA）。经典的独立分量分析虽然仅用数据的统计特性就可以分离盲信号，但分离结果具有不确定性。而机械故障信息中存在其他如频率特征等先验知识，本文主要结合这些先验信息，使算法的分离结果具有确定性，并将其应用于轴承的故障诊断中。研究了基于主分量分析（PCA）的降维解相关理论，得出对信号进行基于主分量分析处理，能减小它们的相关性。研究了独立分量分析算法中不同目标函数的选取准则，并证明在一定条件下这些准则是等价的。比较了将峭度和负熵分别作为非高斯性测度的理论效果，结果表明基于负熵的快速独立分量分析算法的鲁棒性优于基于峭度的。本文后续算法都是基于负熵的快速独立分量分析算法进行改进的。简要概述了独立分量分析算法的缺陷，为克服这些缺陷，提出一种带参考信号约束的独立分量分析算法。研究了约束独立分量分析（CICA）的基本数学模型与原理。介绍了参考信号构造原则和相似性测度方法。编写了CICA算法的MATLAB程序。在此，本文选取与待提取信号频率相同的脉冲信号作为参考信号，以均方误差作为相似性测度的方法进行了实验仿真，仿真实验表明约束独立分量分析算法能够很好地分离出待提取信号。同时引用美国凯斯西储大学的轴承故障数据进行了实验，结果能够很好地提取出故障信号。为进一步证明约束独立分量分析算法在盲源分离中的有效性，本文搭建了轴承故障检测平台。用线切割的方法分别在轴承内圈、外圈和滚珠上加工缺陷，用美国NI公司提供的数据采集卡采集故障数据，对这些数据用约束独立分量分析处理，结果能够很好地提取出轴承对应部件的故障信号。综上所述约束独立分量分析算法在盲源分离中是有效的，并且能够很好地应用于轴承故障检测中。