作为20世纪80年代后期发展起来的一个全新的研究领域,盲源分离(Blind source separation,BSS)一直受到很多学者的青睐。BSS指的是在不知道传输系统和源信号的情况下,仅通过观测信号来估计和分离源信号。经过了几十年的发展,BSS应用的范围也越来越广泛,在不同的领域都能看到盲源分离应用场景,如语音信号的分离与识别、图像信号的处理、机械信号处理和无线通信等领域,而独立分量分析技术是盲源分离方法中最成熟技术之一。独立分量分析(Independent Component Analysis,ICA)技术是20世纪90年代新出现的一种信号处理技术,通过计算数据信号的高阶统计特性,在无其他先验知识条件下,从多个混合信号中分离出各个源信号。ICA是伴随着盲源分离问题而发展起来的,并且作为盲源分离中的一项重要方法。针对现有ICA方法存在的鲁棒性差,收敛精度低问题,文章将粒子群优化算法(Particle Swarm Optimization,PSO)运用到独立分量分析算法中,通过改进粒子群算法提高算法的有效性和精度,主要在以下几方面做了工作:1.回顾了盲源分离问题的历史起源和目前国内外对盲源分离的研究现状,对盲源分离的基本原理做了比较详细的分析并且总结了盲源分离常用的几种算法,总结了盲源分离的基本条件和给出了分离后的信号进行性能比较的几种常用的方法。2.详细介绍了粒子群优化算法(PSO)的基本原理及特点,针对传统方法中盲源分离问题存在的鲁棒性差,收敛精度低等问题,结合粒子群算法能够遍历寻找最优值特点,将粒子群优化算法与独立分量分析结合,并进行了初步仿真实验。3.然而,传统的粒子群优化算法的盲源分离存在着容易陷入局部最优值的缺点,为此本文提出了结合梦境粒子群优化算法的独立分量分析算法,并且进行了实验仿真。仿真实验证明,梦境粒子群优化算法的独立分量分析算法进一步提高了收敛精度和稳定性。4.将改进的粒子群优化算法应用在语音信号的盲源分离和多幅灰度图像混叠的盲源分离当中,实验中通过将改进的算法与传统的粒子群优化算法的独立分量分析算法和FastICA两种算法相比较,实验结果证明,梦境粒子群算法不仅很好的分离了混合信号,而且收敛效果更好。