盲源分离算法是指在混合系统和源信号均未知的情况下,仅从观测信号中分离出源信号的过程,是现代信号处理领域的重要分支。而独立分量分析技术作为盲源分离中的重要组成部分近年来也备受关注,成为信号处理的一个研究方向,广泛应用于语音信号处理,图像处理,生物医学,通信系统以及经济数据分析等领域,具有重要的研究意义和应用价值。独立信号分析方法是通过数据高阶统计特性的计算作为判别标准,从被观测信号中分离出因未知因素而产生混合的独立源信号。粒子群算法可以通过其迭代的方式来寻找最优的分离矩阵以分离出独立源信号。论文对标准粒子群算法进行改进,提出了新的基于自适应粒子群算法的盲源分离算法,并将其应用于混合语音信号及模糊灰度图像的盲分离。论文所做的主要工作有：1、研究分析了盲源分离原理及独立分量分析技术,主要讨论了盲源分离的假设条件与可解性,以及相关的信息论、统计量知识和几种目标函数等。2、研究了几种常见的盲源分离算法,包括梯度下降算法,固定点算法和神经网络算法等,进行了对比性分析。3、提出了一种基于改进的自适应粒子群算法的盲源分离算法,用峰度和负熵两个适应度函数共同决定粒子进化方向,仿真验证了其有效性。4、将基于改进的自适应粒子群算法应用于混合语音信号的盲源分离,以及多幅模糊灰度图像混叠的盲源分离。仿真比较了快速独立分量分析算法、传统自适应粒子群算法以及所提出的算法,结果表明改进的自适应粒子群算法能够很好的分离混合的观测信号且计算性能指标优越,收敛效果好。论文详细叙述了盲源分离的步骤、目标函数的选择、各种常用算法的优缺点,对提出的基于改进的自适应粒子群算法的盲源分离算法进行详细说明和计算机仿真验证。