在源信号和传输信道未知的情况下,仅利用传感器接收的观测数据恢复出源信号,称为盲源分离。因其在天线阵列信号处理、多用户通信、语音和医学信号处理等领域具有广阔的应用前景,从而成为当今信号处理学界的研究热点。盲源分离的算法包括离线批处理和自适应在线处理两种,在信道不恒定或实时性要求比较高的场合,必须采用自适应在线算法,而在线算法存在收敛速度慢和稳态误差大的缺点。本文正是以提高算法的收敛速度和稳态精度为目标,对盲源分离中的在线算法进行研究的。本文首先系统阐述了盲源分离问题的主要解决方法——独立分量分析,从信号模型出发,分析了独立分量分析的不确定性和基本假设,研究了独立性测度准则及其一致性。总结了常用的优化算法及算法性能评价测度。通过分析影响自适应盲分离算法性能的主要因素,并结合相关算法本身的特点,提出了基于自然梯度算法的步长迭代规则和基于扩展Infomax算法的步长更新规则:(1)针对自然梯度算法提出的两阶段步长迭代规则,是通过估计信号之间的相依性测度,在不同阶段采用不同的步长算法,并能有效的检测信道矩阵是否改变,使得算法无论是在信道矩阵恒定环境下还是在信道矩阵改变的环境下均能有效的分离出服从单类分布的信源。(2)针对扩展的Infomax算法,提出了判断信道矩阵是否改变的检测机制,改进了峭度的在线估计模型,并通过分析峭度收敛曲线与分离状态之间的关系,提出了随峭度方差而变化的步长更新规则。与以往算法相比,该算法不仅收敛速度快,稳态误差小,且更能适用于信道矩阵改变的环境。最后,对更复杂的超完备盲分离进行了初步的研究,深入分析了各算法的特点,将其分为两类,介绍了各算法的主要思想、优缺点及其适用的环境,并讨论了下一步的研究方向。