作为人工神经网络、信息论以及统计信号处理结合的产物，基于神经网络的盲分离技术是20世纪90年代新兴的研究热点，二十多年中取得了长足的进展。本文讨论在线性瞬时混合模型的基础上，研究基于ICA的神经网络盲分离算法，并从优化分离网络学习步长和改进网络结构两方面，提出了改进算法。具体工作如下：1.在详细研究了基于ICA的自然梯度学习算法的基础上，给出了神经网络盲分离算法的一般步骤，引入一种包括白化网络和分离网络两个部分的前馈网络模型，根据工程实际确定两部分网络的结构和在线自适应学习规则。针对分离网络自适应学习算法的关键问题，研究了几种常用的非线性激活函数，以及适应复杂混合信号分离算法的自适应激活函数调整算法，在要求实时高精度分离源信号的条件下，该算法存在一定局限性。2.在研究ICA算法的稳态解的基础上，并分析了几种比较主流的自适应学习步长算法及其优缺点，针对LMS自适应算法的缺点，给出了一种改进的自适应算法，该算法能够利用参数控制学习步长波形，可同时兼顾加速收敛和防止稳态失调，但由于缺乏先验信息，引入工程上的替代函数并给出计算方法和参数选取收敛条件。该算法可根据分离网络实时状态控制学习步长，在固定步长分离算法效果不理想的情况下高速、稳定的分离和恢复源信号，并且能在保证稳态稳定性的情况下提高收敛速度；同时，在信道发生突变的情况下仍保持良好的性能。3.针对BP网络盲分离算法容易陷入局部极小值的缺点，在前馈结构的基础上引入了递归结构，同时给出改进的自适应混合网络盲分离算法的计算步骤。在利用真实舰船辐射噪声信号构造的线性混合模型中，无论是信道恒定还是信道发生突变，该算法具有反应快速，跟踪性强和分离效果好的优点，为后期目标识别、定向与定位奠定了良好的基础，仿真结果证实了自适应混合网络盲分离算法处理实时水声信号线性混合模型的可行性。