随着科技的发展与社会的进步,非负盲源分离（Nonnegative Blind Source Separation,NBSS）在信号处理领域发挥越来越广泛的作用,一般地,信号的分离是后续的识别及检测的基础。NBSS常用的算法有几何方法和非负矩阵分解（Nonnegative Matrix Factorization,NMF）为代表的数值方法。然而这两种方法都存在着一定的局限性:几何方法对混合散点图凸包的形状有限制;而NMF的解可能不唯一,需要加入一定的约束条件进行限制;此外,它们都不能抵抗病态条件。这些不足使得现有算法的适用性和鲁棒性均受到影响。本文以NBSS为研究方向,以边缘特征为工具方法,探讨基于边缘特征的NBSS算法中的关键问题。本文主要的研究内容和创新点如下:（1）本文提出了基于边缘特征的NBSS几何方法。现有的最小体积单形（Minimum Volume Simplex,MVS）等几何算法,由于受混合散点图凸包形状限制可能出现无解的情况,本文提出的几何方法解决了这个问题。边缘特征散点图呈现为多分支直线簇结构,本文提出了边缘特征点斜率及投影密度分布统计算法来求解每个簇的回归直线方程,该算法比之于现有的聚类及回归算法更为快速稳定,而且可以抵抗病态条件。（2）本文提出了基于边缘特征的NBSS数值方法。现有的NMF等数值算法可能出现解不唯一的情况,本文提出的数值方法解决了这个问题。该方法以提出的最小杰卡德指数（Minimum Jaccard Index,MJI）准则作为评价标准,在MJI准则下,基于边缘特征的数值算法,只要求源满足有界性及非负性假设,无需加入额外的约束条件进行限制,包括独立性、平滑、稀疏、完全可加性以及纯像素等约束,特别地,也可以抵抗病态条件。（3）本文提出并证明了部分完美分离（Partial Perfect Separation,PPS）定理,解决了高阶NBSS计算量大的问题。在几何方法中,利用PPS定理可以有效地对高阶混合系统降阶;在数值方法中,利用PPS定理可以将高阶矩阵分解为低阶块,因此,引入PPS定理可以显著地降低高阶NBSS的计算量。