盲分离是信号处理领域一个基本的、极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛而诱人的应用前景，盲分离成了信号处理领域和神经网络领域的研究热点。 本文主要回顾盲信号分离问题的理论以及发展情况，并详细介绍对于不同混迭情况现阶段所采用的各项技术；根据信号的稀疏特性解决欠定情况，也就是源信号数目多于观测信号数目情况下的盲信号分离问题；最后在后非线性混叠环境下基于函数相关性和源信号与估计信号之间的绝对误差的统计期望提出相应的盲信号分离方法。盲信号分离的目标是从观测数据中分离出相互统计独立的源信号的估计值。进行盲信号分离的原则是从信息论和概率统计理论的角度出发进行推导，包括信息最大化方法、最小互信息方法和最大似然概率准则。而这些准则在一定条件下是等价的。并针对上述的准则发展出各种相应的方法，如独立主成分分析、贝叶斯方法等。大多数盲信号分离算法建立在源信号数目不多于观测信号数目的情况下，对于欠定情况下的盲信号分离问题效果不好，源信号自身的稀疏特性对于解决这种情况下的问题可以提供有效的帮助。在稀疏性的前提下，观测信号的散点图呈现出明显的聚类现象，这正是问题解决的关键，利用聚类方法估计出混迭信道后，可以采用线性规划的方法对源信号进行估计。作为盲信号混叠的实际应用背景，非线性混叠环境下的分离问题更为困难。相关的非线性函数影响算法的各项性能，如稳定性、收敛速度、均方误差等。本文利用源信号的统计独立性假设和函数相关的理论证明trivial映射的存在，并基于这一点设计一种线性化分离算法。采用trivial映射把观测信号进行分离，使得分离后的过渡信号与源信号之间存在一个未知非线性映射，再采用多层感知器模型对相应的非线性系统参数进行学习，以得到与源信号存在尺度与相位差异的估计信号。针对参与混叠的每一个源信号分别独立的进行学习，避免了对整个源信号集同时进行学习所带来的不稳定性与计算量大的问题。后续的仿真试验结果表明这种线性化分离算法对于后非线性混迭环境下的盲信号分离有着比较好的效 果。