盲信号分离(BSS)是指在源信号和传输通道的参数未知的情况下,仅根据观察信号来恢复出无法直接观测的各个原始信号的过程。盲信号分离(BSS)在语音识别、图像处理、医学信号分析与处理(EEG、MEG、ECG)、数据挖掘、信号处理、无线通讯、光纤通信等众多领域有着广泛而诱人的应用前景,现在已经成为信号处理领域和神经网络领域的研究热点。经过二十多年的发展,盲信号分离理论得到了长足的发展,在分离能力、收敛速度等方面,学者们提出很多有效的,性能各异的算法。对于观察信号的数目不少于源信号数目的情况,运用经典的独立成分分析方法,可以有效的对盲源信号进行恢复。随着盲信号分离的深入研究和现实的需要,欠定盲信号分离(观察信号的数目少于源信号数目)已成为研究的热点,目前,对于欠定盲信号分离,通常利用信号的稀疏特性来求解,即稀疏分量分析(SCA)。但欠定混叠的盲信号分离算法还不完善,许多问题还待进一步研究。这促使本人将稀疏欠定混叠盲分离算法作为本论文研究的主要对象。针对瞬时线性混叠的欠定盲信号分离,基于稀疏分量分析的盲分离算法,本论文的主要工作如下：当源信号非严格稀疏的情况下,提出一种估计混叠矩阵的算法。该算法基于贝努利高斯分布模型,通过区域密度的大小来估计混叠矩阵,同时采用优化思想的方法来提高估计精度。实验结果表明,该方法能有效的提高混叠矩阵估计精度。在混叠矩阵已知的情况下,把l0优化范数的近似等价式作为目标函数,同时利用矩阵的分块作用,降低自变量的维数,利用遗传算法全局搜索的优点对盲源信号进行恢复,克服了传统算法求梯度易陷入局部极优解的缺陷。介绍当前一种新兴的信号采样理论(压缩感知),它克服了传统Nyquist信号采样定理要求的只有当采样速率大于信号带宽的两倍以上才能重构出原始信号的严格要求,降低了信号处理的时间、计算成本和数据储存代价。分析了压缩感知和欠定盲信号分离之间的联系,为解决盲信号分离提供了另一个方法。