在源信号和传输信道未知的情况下,根据源信号的部分统计特性,由观测信号恢复出源信号的过程,称为盲信号分离。由于盲信号分离具有极强的适应性,使得它成为近年来信号处理领域的一个热点。因此在医学信号处理、通信系统、阵列信号处理和语音信号分离方面有着广泛的应用。具有时序结构信号的分离是盲分离的重要内容,也是信号处理领域中的一个难题。本文正是以具有时序结构信号为目标,在线性瞬时混合模型下,进行盲分离算法的研究。本文的主要工作如下:1.阐述了盲源分离的混合模型及分离原理;同时介绍了盲源分离的基本理论,如盲源分离的可分离性,盲源分离的假设条件,信号的预处理等问题;较系统的介绍了盲信号分离的方法,其中包括主分量分析、独立分量分析等,还介绍了基于时序结构盲源分离的三种算法:AMUSE算法、二阶盲辨识(SOBI)算法和特征矩阵的联合对角化(JADE)算法;最后给出了盲源分离效果评价准则,包括相似系数、性能指数等。2.盲源分离算法都是利用源信号之间在某方面表现出来的固有的差别来实现的。而具有时序结构源信号之间固有的差别就是它们的时间结构特性。源信号经过线性瞬时混合后,其时间结构特性在混合信号中是不会变化的。本文尝试采用信号的各特征参量变化度作为区分具有时序结构的源信号的一种度量,并重点讨论了以二阶特征参量变化度为度量,构造分离矩阵,将盲信号分离转化为广义特征值求解问题,实现信号的分离。最后通过仿真验证该算法的有效性。3.采用自回归过程(AR)来描述具有时序结构的源信号,在线性预测盲提取算法基础上,将源信号的多步时延相关之和作为区分度,提出了一种新的基于线性预测的盲提取算法,实验表明该算法简单有效,具有很好的分离效果。