同频混合信号的单通道盲分离在成对载波多址（Paired Carrier Multiple Access,PCMA）非合作通信中广泛应用。对于单通道接收的混合信号,非合作第三方难以构造出信号分离的正定条件,无法开展有效的信息解调。研究如何实现信号的单通道盲分离,对提高通信信号侦察能力具有重大意义。本文在盲分离研究中引入了深度学习方法,降低了盲分离的复杂度,并且具有更强的适应性,可以在多种时变的信道下得到优于传统方案的性能。针对时不变信道场景,本文提出了基于双向循环神经网络的同频混合信号盲分离方案。该方案可以在网络训练后从接收信号中恢复出两路原始信息比特,并且充分利用信道记忆性引起的符号相关性,避免了对符号的遍历搜索,实现了性能和复杂度之间的折中。对于连续接收信号,提出了分块处理策略,解决了每个数据块首尾错误率较高的问题。在等效信道记忆长度较大时,与传统逐幸存路径处理（Per-Survivor Processing,PSP）方案相比,本文提出的方案在无失真和非线性失真信道下均达到了更好的解调性能,并且计算复杂度更低。此外,当信号幅度在训练阶段和测试阶段不匹配时,该方案也具有一定的泛化能力,因此可以适应信道响应变化的场景。针对时变信道场景,本文提出了结合深度学习信道插值估计的同频混合信号单通道盲分离方案。为了进行估计时变信道,提出了一种神经网络辅助的插值估计算法,能够学习挖掘信道的时变特征,经过训练后从导频处的信道初估计值中得到精确的信道插值估计值。同时,将该算法结合到盲分离算法中,实现了比传统线性插值算法更好的估计和解调性能。此外,该方案能较好地适应信道统计特性的变化,具有较强的鲁棒性。