本文主要研究了对偶自适应控制和盲源信号分离两大问题。 针对实际工业生产过程中不确定性系统的控制问题，必须采用随机系统理论和方法进行分析和处理。控制目标的实现要求控制信号平缓变化，同时对系统参数不确定性的学习又要求维持一定幅值和频谱的输入信号以起到充分激励的作用。对偶自适应控制可以较好地解决这两者之间的冲突，因此具有良好的控制性能。本文分别针对单输入单输出和多输入多输出的随机系统进行了研究，通过引入系统的新息对原不可解的动态规划问题进行重构，将系统参数随机变化的最小方差控制问题转化成为多个基于新息的单步控制问题。利用卡尔曼滤波对未知的系统参数进行估计，最终实现随机系统的对偶自适应控制。仿真表明这种对偶自适应控制较好地实现了系统的控制目标和对未知系统参数不确定性的学习。 盲源信号分离(BSS)是近年来信号处理领域中的热点问题之一，在语音 西安理工大学硕士学位论文识别、通讯和医学图像处理等方面具有广阔的应用前景。BSS问题是从某类混合信号序列中分离或估计各个未知源信号的过程，其中假设源信号是相互统计独立的。由于关于混合信号的信息完全未知，因此将该过程称为盲源信号分离。目前国内外主要采用基于信息论原理的最大嫡、最小互信息量来解决BSS问题。本文不仅对现有的方法进行了研究，还结合自适应、神经网络等控制方法对BSS的学习收敛问题以及多源信号分离等问题进行了探讨，提出应用对偶自适应控制的基本思想重新构造BSS问题进行求解的研究方法，并且通过语音信号分离实验对本文所研究的各种RSS算法进行了分析和验证。