盲源分离是指在源信号和传输网络均未知的条件下,仅根据接收到的多路混合信号,在统计独立的假设下,将目标源信号从混合信号中分离出来的过程。目前,该技术已被广泛的应用于医学信号分析与处理、语音识别、图像处理以及通信领域等各方面。近年来,盲源分离已成为信号处理和神经网络领域的热点研究问题。现有的盲源分离算法大都假设在无噪声情况或噪声很小可以忽略不计的情况;而在强噪声背景下,这些算法都无法获得理想的分离效果。本文在介绍了盲源分离的基本模型和基本理论的基础上,提出了一种更有效的含噪盲源分离模型,将小波和Curvelet变换联合去噪的方法结合FastICA算法用于对含噪图像的盲分离中,实验表明该方法能很好的解决由于存在加性高斯噪声而导致经典盲源分离算法性能发生严重恶化的问题,很好的实现了含噪图像的分离。其次针对盲源分离算法的性能大多依赖于非线性函数选取的问题,分析研究了粒子群算法,并提出了一种自适应的粒子群算法,该自适应粒子群算法具有全局收敛性好、收敛速度快、参数调节简单等优点。本文将自适应粒子群算法应用于盲源分离中,避免了对非线性函数选取的问题,能很好的分离超高斯和亚高斯信号的混合信号。最后分析了雷达阵列接收模型,将本文提出的基于自适应粒子群的盲源分离算法用于雷达阵列接收信号的分离中,实验证明了该方法的可行性和技术优势。