盲源分离的提出旨在解决由传感阵列得到的输出信号,通过对输出信号的分析建模,以求恢复输出信号中独立的源信号,“盲”体现的是对源信号不能直接观测,并且对于源信号混合的方式也是未知的。这种方式不依赖于对原有系统的传输函数建立,仅仅知道很少的关于源信号源的先验知识,从混合信号中找出源信号。这种对多元数据处理的方式已经应用于数据挖掘,语音分析,机械信号故障诊断,雷达信号,传感器阵列和图像识别等领域。在这些领域获得了许多成果研究的同时也促进了盲源分离理论的发展。理论实践表明信号本身是具有稀疏特性的,信号可以在某个字典基下呈现稀疏的特性,且不同的信号稀疏表达后稀疏系数是不同的。本文基于源信号是相互独立且在信号稀疏化理论框架下,假设源信号是稀疏性的或者能被稀疏表达。针对最小化寻优的盲稀疏源分离算法(MM-BSSS)存在的强制正交化引起局部化收敛问题,提出一种基于复合分裂算法(CSA)的改进算法,算法采用将复合正则化目标函数分离成为两个正则化问题以减少解空间范围,同时增加解的稀疏性,进而使恢复的源信号更加平滑,得到更好的分离效果,即能准确的恢复源信号。仿真实验表明,基于复合分裂算法的最小化寻优的盲稀疏分离算法优于原算法,应用于音频及图像信号中能更好的从混合信号中分离得到源信号,而且能避免迭代中误差累积影响分离性能,提高了改进算法的抗噪能力。