盲分离技术是信号与信息处理领域中一个崭新的研究方向.从80年代起的仅针对多源分离问题到如今在图像、语音、生物信号、模式识别的各个方面的应用,盲分离技术吸引了众多领域专家的关注.目前该研究大致可以分为两类:-、盲分离的基本理论和算法研究.二、盲分离的应用研究.该文在盲分离算法及其在图像处理中的应用做了很多积极地探索和研究,归结起来,主要工作和创新有:第一、在归纳和总结了线性盲分离的基本原理和相互之间联系的基础上,重点研究了常用的三种盲分离算法的抗噪性能.第二、为解决现存的盲分离算法抗噪能力弱的问题,该文提出了利用几种成熟的去噪算法,如低通滤波,中值滤波,小波去噪等与盲分离算法相结合的方法.第三、提出了两种新的盲解卷积算法.第四、提出了一类改进的非线性盲分离及盲卷积算法.第五、从特征提取的角度重新认识了盲分离技术,并分析了盲分离技术与主元分析的相互关系.盲分离提取独立成分的能力使得它也常被称为独立成分分析(ICA).第六、探索了ICA特征提取方法在人脸图像中的应用.第七、提出了一种新的基于FastICA变换的图像压缩方法.此方法同时还解决了ICA所提取的独立成分没有主次之分的问题.该方法利用FastICA算法中的白化过程,根据尽可能多地保留原始数据信息的原则自行选择独立成分,避免对独立成分排序,拓展了ICA应用在特征提取及数据降维等方面的理论基础.仅从利用主元成分和利用独立成分的角度来看,在同样地压缩比的条件下,用ICA特征表征图像更有效.第八、提出一种基于ICA变换的图像去噪方法.该方法利用ICA变换可增强信号的非高斯性的特点,将信号在ICA域内进行阈值处理,从而达到提高去噪能力的目的.在理论上,ICA变换的基是利用数据自身的高阶统计特性求得的,它可以随着处理的对象不同而变化,较小波基更适合表达数据.试验表明:该文提出的方法能有效去除噪声,其结果好于或相似于小波去噪的结果.