盲分离是当前信号处理领域的热门技术,它充分利用信号独立、稀疏等特性,仅根据观测数据就可以恢复出源信号。近年来,一些研究者将盲分离算法应用到阵列信号处理中,不仅较好的分离出了源信号,还得到了相应信号的波达方向。盲分离算法对阵列信号盲处理具有重要的实际意义。然而,目前对于低信噪比、宽带信号、模型失配等复杂情况的阵列信号盲分离,还未有较好的解决方案。本文分别针对低信噪比下的窄带盲分离及波达方向估计(Direction of Arrival,DOA)、宽带独立信号盲分离及DOA估计、宽带确定性信号盲分离及DOA估计、模型失配下的阵列盲分离及DOA估计这四个方面的问题展开深入研究。主要研究内容概括如下:第二章针对传统盲分离算法抗噪性能差的问题,提出一种适用于低信噪比环境的窄带阵列信号盲分离及DOA估计方法。假定源信号之间相互独立,首先对阵列自相关矩阵作特征值分解得到特征值及特征向量,然后根据特征值估计出源信号个数K,再利用前K个特征向量提取出仅包含少量噪声信息的观测数据,进而利用特征矩阵联合对角化(Joint Approximate Diagonalization of Eigen-m atrices,JADE)方法对该部分数据进行盲分离,从而达到减小噪声影响的目的,最后根据分离算法原理与均匀线阵的流型矩阵的特性,推导出相应分离分量的DOA计算公式。进一步考虑多径效应的影响,将同一源信号产生的多个多径分量视为一个独立的信号源,仍可以通过上述盲分离算法进行分离,但是多径环境下,阵列流型矩阵的结构特性发生了改变,因而DOA估计方法需要调整,针对这一问题,本章进一步提出了一种基于独立分量分析(Independent Component Analysis,ICA)和稀疏重构的DOA估计方法。该方法首先利用ICA算法估计出混合矩阵,然后将混合矩阵的每列视为一个阵列的单次快拍数据,借助稀疏重构技术依次处理每列数据,进而得到各入射信号的DOA估计。第三章针对传统盲分离算法对宽带信号不适用的问题,在假定源信号为宽带独立信号的基础上,提出一种宽带阵列信号盲分离及DOA估计方法。该方法首先通过短时傅立叶变换将宽带混合信号转化为多个频率片上的瞬时混合,然后针对频域不完全重叠的情况,提出先进行频域分段处理再利用相似系数拼接重构的方法,对于频域重叠的部分,采用JADE算法对每个频率片上的混合信号进行盲分离,最后对各频率片上分离后的源信号分量分别进行合并,再通过逆短时傅立叶变换就可重构出各源信号。利用子带盲分离得到的分离矩阵的行向量构造方向图函数,根据方向图函数的零陷方向来确定相应分离分量的DOA,并在此基础上,提出一种基于DOA估计的次序调整及幅度去模糊方法,以解决子带合并时的模糊问题。当源个数为2时,通过搜索函数的最小值就可轻易获取各分量的DOA值。源个数大于2时,对DOA估计方法进行调整,利用k均值聚类方法对各方向图的零陷方向进行聚类,最终确定各分量的DOA。该方法有效的实现了宽带阵列混合信号的盲分离,同时准确估计出了各宽带源信号的DOA,并且该算法所需阵元数与源信号数相等即可,与宽带波束形成算法相比,所需阵元数大大减少。第四章假定源信号为宽带确定性信号,提出一种基于EM算法的宽带阵列信号盲分离及DOA估计方法。该方法首先通过FFT变换将观测信号转换到频域,然后在EM算法的基本框架下构造中间参数,假定噪声为高斯白噪声,联合带宽内所有频域子带信息构造中间参数的联合似然函数,最后根据似然函数推导出寻找最大似然值的EM迭代式,最终根据迭代结果得到源信号及DOA的估计值。同时针对迭代过程中的角度搜索问题,本章利用EM算法的收敛特性,提出一种自适应角度搜索范围设定方法,简化了算法的复杂度。该方法在EM算法的基本框架下,综合运用所有频点的数据信息联合估计出DOA及源信号,相比于对每个子带进行单独处理的传统方法,其估计精度得到大幅提高,同时还避免了子带合并时带来的模糊问题。第五章针对模型失配的实际情况,提出了一种基于SAGE算法的阵列信号盲分离及DOA估计方法。首先针对互耦及阵元位置误差这两种模型失配的情况,提出一种基于SAGE算法的窄带阵列信号盲分离及DOA估计方法,然后进一步将其推广至阵元位置误差条件下的宽带阵列信号盲分离及DOA估计。该方法在一种新的阵列误差信号模型的基础上,利用SAGE算法联合估计阵列误差系数、DOA及源信号等未知参数,将联合估计时的多维搜索简化为一维搜索。该方法遵循SAGE算法的基本步骤,因而也继承了SAGE算法估计精度高及收敛性好的优点。同时,本章还首次讨论了模型失配条件下宽带阵列信号的盲分离及DOA估计问题,有效的实现了阵元位置误差条件下的宽带阵列信号盲分离,并准确地估计出了各源信号的DOA。