信息和计算机技术的迅速发展,使得人们对信息处理的要求不断提高。实际中,从传感器中得到的信号往往包含噪声和干扰,而如何提取出所需的原始信号,便成为一个不可避免的问题,而盲源分离技术也由此产生。该技术包含多门学科,如神经网络、信息论、信号处理等,同时该学科的应用领域也相当广泛,如生物医学、图像处理、语音识别、通信和雷达系统等。因而近年来受到国内外学者的广泛关注。盲源分离算法是指在源信号和混合模型都未知的情况下,根据一定的先验信息分离出源信号的算法。先验信息一般要求源信号是统计独立的,随着盲源分离技术应用的不断深入,学者们发现了一种新的情况,即观测信号的个数小于源信号的个数,这种情况称为欠定盲源分离,其分离算法和传统的方法有所不同。目前基于统计概率模型的过完备描述算法和基于稀疏性的分离算法是欠定盲源分离的主要解决方案。近几年来出现的压缩感知理论,打破了传统的Nyquist采样定理的瓶颈,使得当源信号满足一定的稀疏性要求时,在欠定的情况下,也可以完整地恢复出源信号。该理论已经在盲源分离技术中得到了初步的应用,对其研究有着十分重要的实际意义。本文首先回顾盲源分离技术的研究现状,同时介绍压缩感知理论的发展历史、现状及其与盲源分离之间的关系,然后通过对标准盲源分离代价函数的修改,提出一种新的代价函数,应用在盲源分离的一个分支盲提取算法中,仿真实验证明了该代价函数的优越性。在第四章中将运用压缩感知理论来解决的盲解卷积问题,第五章应用上述方法解决欠定情况下盲信道辨识问题。综上所述,本文通过对盲源分离技术的研究,一方面对标准盲源分离的代价函数进行修改,提高盲源分离性能;另一方面,应用压缩感知理论来解决欠定情况下的盲源分离问题。此外,还将压缩感知理论应用于盲信道辨识,说明了压缩感知理论的优势。论文最后指出了该领域待解决的问题和下一步的研究重点,同时对该领域的发展进行了展望。