盲信号处理(Blind Signal Processing)技术,又称为盲处理,是现代信号处理领域中一个较新的研究方向。从上世纪九十年代开始短短的十几年里,已在语音信号处理、图像处理、多用户通信及医学信号处理等众多领域里展现了广泛的应用前景。　　 对盲信号处理研究主要集中在以人工神经网络为基础的算法研究上,即利用人工神经网络的权值矩阵作为盲处理解混合矩阵,通过网络的无监督自适应学习,在输出端恢复未知的源信号波形。由于在盲分离问题中,信号是未知的,无法获得真实的解混合系统输出独立性评价函数,因此如何构建输出独立性评价函数及精确估计其梯度是盲信号处理的难点。围绕着这个问题,本文进行了如下工作:　　 1.)含噪非平稳信号的瞬时盲分离　　 对于含噪信号的盲分离,采取了两个步骤进行,即先除去信号中的噪声成分再进行盲分离。利用信号的非平稳特性,将信号从时域变换到时频域,并引入了时频面维纳滤波器对时频域的含噪信号进行滤波降噪；经过降噪的时频域信号进行时频域非参数密度估计盲分离。该算法适用于对源信号先验知识所知甚少情况下含噪信号的瞬时盲分离。通过仿真可以看出本算法提高了信号的信噪比。　　 2.)Renyi熵有限冲击响应多输入多输出盲辨识　　 当源信号是独立同分布时,信息论是衡量解混合系统输出独立性的最佳准则。当源信号是非平稳且不满足独立同分布条件时,将信号分成近似平稳小段,对于每段仍用最小互信息准则。在Renyi熵互信息独立准则基础上,用非参数密度二次估计(对非独立同分布信号也可适用)分别估计边缘得分函数及联合得分函数,并采用自然梯度法迭代求解滤波器。带宽估计是非参数密度估计中重要也是较困难的环节,我们根据联合得分函数与边缘得分函数的关系确定联合带宽与边缘带宽,其中联合带宽可由光滑交叉验证(Smooth Cross Validation(SCV))全带宽估计确定。为了避免算法收敛到平凡解,在Renyi熵互信息独立准则评价函数上增加了罚函数以约束系统输出为单位方差。通过仿真对比辨识结果,本算法比原算法提高了盲辨识估计精度。　　 3.)后非线性盲解卷积后非线性混合是非线性盲处理中重要的模型,后非线性盲解卷积则属于后非线性混合。本文采用传统申农熵全互信息独立准则衡量其分离独立性,并将其扩展到随机平稳过程。由于非线性盲分离比线性盲分离更依赖于精确估计得分函数,故采用多维高斯混合Edgeworth级数估计联合得分函数,该估计有效地保留了数据高阶统计结构。为了提高优化时收敛速度,采用了牛顿法,由此推导了含罚函数评价函数的一阶、两阶泰勒级数。通过独立同分布源信号及非平稳实录源信号的仿真可以得到改进算法提高了收敛速度以及分离效果。　　 4.)拖线阵流噪声分离　　 降低和抑制流噪声已成为提高拖线阵工作性能的关键,而拖线阵流噪声的分离对认识流噪声有着重要意义。本文对流噪声产生机理、特性及基本分析方法作了阐述,说明了湍流边界层压力起伏是产生流噪声的主要因素,并对两种具有代表性的湍流边界层压力起伏模型分析其波数-频率谱及功率谱,然后介绍了流噪声测量实验系统及测量方法,并对经过预处理的实验流噪声数据进行了谱分析及相关性分析,由此验证理论分析。根据测量方法本文采用了最小均方差自适应算法及Renyi熵互信息盲辨识算法,分别对拖曳时自噪声进行了分离,并将两算法分离结果进行了对比分析。得出Renyi熵互信息盲辨识算法分离结果功率谱更接近实验测量功率谱值。　　 本文的主要创新点体现在:　　 1.)将时频面维纳滤波器降噪与时频域盲源分离结合起来,并将时频域二维密度估计转变成一维密度估计,有效地解决了较低信噪比、非平稳且有确定时频结构源信号的盲分离。　　 2.)把申农熵互信息独立准则扩展至Renyi熵互信息独立准则,并加入罚函数项以防止收敛到奇异解。利用边缘得分函数与联合得分函数的关系求边缘带宽与联合带宽的关系,避免了分别求联合带宽及边缘带宽带来的相对误差,并利用SCV全带宽选择求联合带宽。通过实录信号验证了盲辨识算法有较好的辨识精度。　　 3.)在后非线性盲解卷积算法中,将多维高斯混合Edgeworth级数展开引入联合得分函数估计中,提高了得分函数估计精度,并且对源信号分布没有近高斯性要求。另外推导了该评价函数的一阶及二阶泰勒级数展开式,用于牛顿法优化中,加快了收敛速度。　　 4.)运用自适应最小均方差算法,将静止时背景噪声作为参考输入信号,拖曳时噪声作为基本输入信号,估计拖线阵拖曳噪声中的流噪声及背景噪声时域信号；同时把Renyi熵互信息盲辨识用到流噪声盲分离中,进行了水声信道自然混合盲分离的尝试,并将两种算法分离结果进行了谱分析对比,最后说明Renyi熵互信息盲辨识算法对流噪声的分离有一定的参考价值,同时为拖线阵流噪声分离提供了一条新的途径。