本文应用信息理论和优化学习等知识,研究了多种情况下的盲混合物信号的自适应分离法,并将得到的理论结果应用到现实及模拟信号处理中,进行仿真试验验证.论文首先介绍了盲信号分离问题的起源和发展情况,讨论了盲分离的一种重要方法——独立分量分析(ICA)方法及其分离准则(最大似然估计、信息最大化准则以及互信息最小化准则等).描述了常用的两步盲信号分离算法,并对盲分离遵循的假设条件及其存在的两类不确定性进行了说明.研究瞬态线性混合信号的自适应盲分离算法.给出了基于传统梯度、相对梯度和自然梯度的自适应学习算法,阐述了基于高阶统计量信息和基于二阶统计量信息的自适应盲分离问题,提出一种基于现代函数的两步自适应盲分离法.自然界的许多信号(如语音信号等)表现出非平稳特征.讨论了基于神经网络结构的自适应盲分离算法,利用非平稳信号的时间关属性和自然梯度学习方式提出了一种自适应盲分离算法.现实环境中信号的传输延迟及回波反射等影响往往不能忽略不计,盲信号在许多情况下表现为卷积混合模式.利用FIR模型构建盲信号的卷积及解卷滤波器矩阵,讨论了时域盲解卷、频域盲解卷和盲均衡问题,提出一种基于FIR模型的时域自适应盲解卷算法.最后研究了基于时频分布的盲信号分离算法.讨论了双线性时频分布的盲分离问题,重点研究了基于模糊函数的盲分离算未能,根据模糊函数的对称分布特征提出了一种自适应盲分离算法.论文针对不同的问题和算法进行了大量的仿真研究.仿真对象有语音信号、图像信号、微机产生的正态分布/均匀分布信号、非平稳信号等.对本文提出的算法进行了性能分析,研究结果表明了算法的有效性.