随着无人机技术的迅速发展,无人机产业迅速成熟,无人机在应急救灾、农业植保、遥感测绘、环境监测、物流运输、电网巡检、交通治理、疫情防控等多个领域获得广泛应用。同时技术的升级使无人机操作更简单,价格也更亲民,从而使得民众都可享受科技发展所带来的便利。但在给人民群众的生活带来极大方便的同时,无人机黑飞扰航等问题也层出不穷,对人民群众生命财产安全产生了极大地威胁。因此发展智能、高效的反无人机技术不仅能有效遏制无人机的负面发展,也是规范无人机飞行管理,促进我国无人机产业有序发展的重要保障。同时反无人机技术属于图像检测、信号检测、智能控制等多学科的交叉领域,针对反无人机技术进行研究将有利于我国相关领域的发展以及技术积累。本文针对当前无人机声音识别技术存在的抗干扰能力差,技术成熟度低等问题,提出了基于盲源分离的无人机声音识别算法,本文的主要工作为:（1）在盲源分离框架内引入源数估计方法。首先基于信号稀疏性实现信号变换域的单源检测,对筛选后的稀疏信号聚类特性进行分析。通过权重势函数实现信源个数的动态估计,解决了盲源分离框架中需要预先假定信源数的问题。接着通过动态的源数估计,可根据信源数目和传感器数目的关系选择对应的盲源分离算法,使算法适应能力更强。同时针对Sinc势函数进行改进,提出了优化的Sinc势函数。最后通过实验实现了对信源数的估计,验证了优化Sinc势函数的性能。实验结果表明,优化Sinc势函数的识别准确率高于传统Sinc势函数以及Bofill势函数。实验同时实现了无人机盲源分离模型下的声源数目估计,验证了通过源数估计确定盲源分离问题种类的可行性。（2）针对强干扰下的无人机声音识别问题,提出了基于Fast ICA算法的无人机声音识别方法。通过将无人机声音从环境干扰中分离,降低了环境干扰对无人机声音识别效果的影响。算法借助Fast ICA算法分离无人机声音,对分离的无人机声音进行特征提取,使用机器学习方法对无人机进行识别。最后通过开源噪声数据集对无人机声音进行干扰测试,实验结果表明,在不同数目声源的干扰下,基于Fast ICA算法的无人机声音识别方法的识别率始终保持在90%以上,且该算法能够有效的抵抗随着距离增大导致的无人机声音衰减带来的影响,能够在一定范围内实现抗干扰性好的无人机声音识别。（3）针对源数不定的无人机声音识别问题,提出了基于盲源分离框架的无人机声音识别方法,对不同情况下的无人机声音识别进行分类讨论。在正定情况下,直接使用Fast ICA算法提取无人机声音,实现无人机识别;在超定情况下,采用基于PCA降维的盲源分离算法,使用PCA技术压缩观测数据,将超定盲源分离问题转化为正定;在欠定情况下,采用基于VMD观测扩维的盲源分离方法,使用VMD方法建立虚拟通道,通过建立多个虚拟观测通道,将欠定盲源分离问题转化为正定问题。最后分别使用不同机器学习模型、不同音频特征以及不同无人机对算法的有效性进行检验。实验结果表明,随着干扰的增加,分离信号的识别率能够保持一定范围内而不会大幅度衰减。算法在不同机器学习算法、不同音频特征以及不同无人机的实验中均具有较好表现,识别率均在90%以上,其性能明显优于观测信号和滤波信号的识别结果。