多数据集的联合盲源分离技术是信号处理领域的研究热点之一,一般是指在源信号及信号混合模型未知的情况下,仅利用接收信号的统计特性分离出源信号的过程。联合盲源分离已广泛应用于生物医学信号处理、通信信号处理,语音信号识别等领域。广义联合对角化方法是解决多数据集联合盲源分离问题的一种有效的代数方法,利用数据集间信号的相关性以及数据集内部信号的统计独立性或不相关性,构造具有可联合对角化结构的目标矩阵,并代数拟合该目标矩阵,辨识信号的混合机理,从而分离出混合的源信号。其中,双数据集的联合盲源分离问题可转化为non-Hermitian矩阵近似联合对角化问题。本文主要研究基于双数据集联合盲源分离问题的non-Hermitian矩阵近似联合对角化方法,提出了两种正交近似联合对角化算法,主要成果如下:1.形如解决non-Hermitian矩阵特征值问题的Jacobi算法,提出了一种基于Givens旋转的正交近似联合对角化算法,简称为OJ-AJD算法。该算法仅把右分离矩阵分解为一系列Givens矩阵的连续乘积,对non-Hermitian目标矩阵的列进行一系列单侧Givens旋转变换,使其最终收敛于列正交矩阵,基于列正交矩阵列向量的单位化可得到左分离矩阵。最后,通过仿真实验说明OJ-AJD算法收敛速度较快,但是在噪声影响下算法的分离精度有所降低,因此OJ-AJD算法可作为一些迭代次数较多的算法的预处理阶段,为它们提供一个初始值。2.本文针对non-Hermitian目标矩阵,提出了一种降维正交近似联合对角化算法,简称为DR-AJD算法。该算法首先构造具有降维结构的分离矩阵,把矩阵的近似联合对角化问题分解成-1个子优化问题,然后通过交替迭代过程求解每个子优化过程的最优解,再根据最优解的性质,基于Householder矩阵重构分离矩阵,以保证分离矩阵的正交性。最后,基于三种性能指标,通过仿真实验证明了该算法具有快速的收敛性和优良的分离精度。