信号处理技术在这个信息化时代已变得越来越重要,随着信息化程度的不断加深,通信环境的不断复杂化,信号处理面临的困难也随之增加。在实际情况下我们所关心的信号都是叠加着噪声的,而且有相当大的一部分是对源信号与传输信道所知甚少,比起传统的信号处理技术盲源分离技术就显示出了无法替代的优势。经过二十多年的研究与发展,盲源分离技术无论是在理论上还是在应用上都取得了显著的成果。与实际问题结合紧密的盲源分离技术以其自身独特的优势博得了众多研究者的关注,大量的盲源分离算法脱颖而出,这些算法各具千秋但又都有不足。基于粒子群算法的盲源分离技术以其所设参数少、易于实现等优点一度被广泛应用,但是其极易陷入局部最优及收敛速度慢的缺陷严重影响了算法的性能。为了改善一般粒子群算法的收敛速度慢和极易陷入局部最优的缺陷,本文提出了两种改进的粒子群算法,并将其应用到盲源分离中。一种是基于动态因子与种群分类的粒子群算法。此算法的主要思想是：针对每次迭代中适应值很好与很差的两种粒子,可以利用社会模型及认知模型的特性,采用不同的进化模型,这个过程是通过对学习因子的动态调整来实现的；另一种是基于粒子浓度与动态因子的粒子群算法。此算法的主要思想是：针对一般粒子群算法没有充分利用适应值差的粒子导致群体的多样性丧失的缺陷,用全体粒子的局部最优值的加权平均来代替单一粒子的局部最优；另外为了避免算法陷入局部最优,通过粒子的浓度来控制学习因子,从而使局部最优与全局最优达到平衡。这两种算法都用到了盲源分离技术中,本文给出了详细的算法原理及分离过程。通过实验仿真结果,验证了算法的可行性与有效性,并针对相似系数、信噪比两种算法性能评价准则与传统的FastICA盲源分离算法进行比较,体现出了改进算法收敛精度高及收敛速度快的优势。