随着如今的噪声污染越来越严重,噪声控制工作便显得尤为重要。复杂环境下的声源识别和声源分离是噪声控制工作的主要前提,本文以水下大型结构体为背景,针对复杂声源的识别与分离方法进行理论研究、仿真分析与实验验证。对于复杂环境下的声源分离,能够对声源进行有效地识别是基础前提。针对常规波束形成算法以及DAMAS算法的计算效率低、识别分辨率低以及无法识别相干声源的问题,本文在DAMAS2算法的基础上,研究了一种可用于相干声源识别的反卷积声源成像算法。该算法通过去除DAMAS算法中的互谱过程,使得DAMAS算法不再需要对非相干声源的数量进行预判,因此去掉互谱过程后的算法能够对相干声源进行有效地识别。此外,在算法中增加了对主成分分析去噪过程,使算法具有与传统算法类似的鲁棒性。优化后的算法不仅相对于传统算法的计算效率具有明显的提升,而且对于相干声源的识别更加具有优势。针对FastICA算法在声源分离领域中独立分量的排序不确定性问题,同时为了克服FastICA算法中牛顿迭代法初始值敏感、下降速度慢和计算复杂等问题,本文研究了一种将K-means聚类算法与带有阻尼因子的FastICA算法结合的声源分离优化算法,并分别对牛顿迭代法当中的三阶收敛以及五阶收敛两种情况做具体阐述。引入K-means聚类算法可以确定声源分离领域中独立分量的排序;带有阻尼因子三阶或五阶收敛的FastICA算法可以降低牛顿迭代法初始值的敏感程度,减少迭代次数,加快收敛速度,优化后的算法能够保证原始算法的分离效果及稳定性。本文最后通过仿真分析及实验,验证了两种优化算法在声源分离中的可行性和有效性。