盲源分离算法是指在不知道源信号和传输信道参数的情况下,根据输入信号的统计特性,仅由观测信号恢复出源信号各个独立成分的过程。当信源数目未知或者动态变化时,盲源分离算法很难对源信号分离出各个独立分量。以前的算法都是假设信源数目已知,以此为依据,确定算法的维数。然而,这样的假设在实际中是很难成立的。针对这一问题,本文对信源数目动态变化时信号的盲源分离算法进行了深入研究。论文的主要工作集中在以下几个方面：第一,总结了盲源分离算法的原理。详细研究了信号盲源分离问题的描述以及相关的假设条件。重点分析了信息论的相关知识,讨论了它们之间的相互关系。同时着重讨论了信号的预处理过程,分析了信号的零均值过程以及信号的白化过程。最后详尽的介绍了如何计算盲源分离算法的对照函数并分析了几种常见的对照函数。第二,研究了信源数目未知的盲源分离算法。信源数目的正确估计是随后准确分离接收信号的基础。利用方差极大化的PCA算法预先对接收信号的主特征值进行提取,利用信息论准则设定特征值的阈值,从而估计出信源数目。在此基础上,Infomax算法对接收信号进行盲源分离。设计了多组仿真实验,分析并对比了不同的信息论准则以及不同的接收传感器在不同的信噪比的情况下盲源分离算法的效果。该算法是一种非在线算法,不适合信源数目动态变化的情况。第三,研究了信源数目动态变化时,信号的自适应神经网络的盲源分离算法。它涉及了多种自调节参数,是对先前的盲源分离算法的一个挑战。首先是在线信源数目估计器,它是通过改进交叉验证算法来实现的。其次是自适应神经网络结构算法,它是将自组织原则与基于向前反馈式神经网络结构相结合得到的一种新算法。最后为了获得较好的学习效率引入的自适应学习调节速率。计算机的仿真验证了算法的有效性、实用性和良好的稳定性。仿真结果表明,所提出的自适应神经网络的盲源分离算法能够比其它的静态盲源分离算法更好的分离出各个独立分量,而且更适用于信源数目动态变化的盲源分离情况。