对研究的信号进行处理时，很多情况下该信号的先验知识是无法得知的，而且信号和传感器之间传输通道的信息也很难直接观测，我们把这种信号称作“盲信号”。在多个盲信号同时存在的环境中，往往还存在测量噪声和其他信号源的干扰，传感器接受到的信号是多个信号源的混合信号，将目标源信号从混合信号中分离出来的过程称为盲信号分离(Blind Signal Separation：BSS，简称盲分离)。盲分离是信号处理领域和神经网络领域研究的热点问题之一，目前已经广泛地应用于语音识别、图像处理、生物医学信号处理、通讯、系统监测和计量经济学等诸多领域。本学位论文主要应用数理统计和优化学习等知识，重点研究盲信号分离时域中分离算法，并将得到的结果进行计算机仿真试验。本文首先概述了盲信号分离的研究背景及在生活中的广泛应用前景，对盲分离问题给出了简单的数学模型和描述，并回顾了盲信号分离问题的发展历史，介绍了盲分离问题国内外的主要研究机构和学者，总结了盲信号分离问题的发展趋势和研究方向。第二，我们对时域上基于拟牛顿法的盲信号分离算法进行了研究。以相关矩阵的联合对角化为代价函数，基于拟牛顿法中的DFP法的提出了一种新的盲信号分离算法，新算法的收敛速度快。并对四个语音信号进行仿真试验，试验结果验证了算法的有效性。第三，我们研究了时域上基于四阶累积量的改进快速ICA算法。先介绍了独立分量分析(Independent Component Analysis：ICA)基本理论和方法，并以四阶累积量判据，分析了传统的快速ICA算法；然后用改进牛顿迭代法取代传统的快速ICA算法的迭代步骤，提出了一种新的改进快速ICA算法。将两种算法分别作波形信号和语音信号的仿真试验结果对比，数据显示了改进算法的性能有着较大的提高。