盲信号分离技术起源于20世纪90年代,解决的是在源信号与传输信道均未知的条件下,只能利用观测信号估计出相互统计独立的源信号的问题。盲信号分离模型具有通用性,在雷达、无线通信、图像处理、语音信号处理和医学领域有着广泛的应用。对比函数优化是解决线性瞬时混合盲信号分离问题的一种主要思路。该方法通过找到一个能够测度分离系统输出的随机向量的统计独立性的对比函数,接着用优化算法找到该函数的最大/小值,得到分离矩阵从而恢复源信号。自然梯度盲信号分离算法是一种经典的对比函数优化方法,它通过自适应更新得到分离矩阵,迭代公式形式简单、计算量小且可以跟踪环境的变化。自然梯度盲分离算法作为在线自适应算法的一种,其性能指标存在步长和激励函数两种影响因素。为了有效提高算法性能,本文对步长的选择和激励函数的估计进行了改进。自适应变步长能够有效缓解收敛速度与稳态误差存在的矛盾,基于此,本文提出了一种基于分级迭代变步长算法。仿真实验结果表明,该算法具有高速收敛的同时稳态误差也较小。在自然梯度盲信号分离中,估计的激励函数的精确度直接影响算法的收敛。针对此问题,采用一种函数逼近激励函数的方法加快算法收敛速度。通过一组正交基线性组合逼近激励函数,均方误差作为逼近程度的测度,正交基的组合系数可以由自适应学习均方误差最小获得。仿真实验证明无论是对于同系混合信号还是杂系混合信号该方法都具有较快的收敛速度。