盲源分离又称为盲分离,是在不需要太多的源信号和信道先验信息的情况下,仅根据观测到的混合输出信号,分离出各输入源信号的过程,是信号处理领域的一个前沿问题,广泛应用于图像处理、医学信号处理、语音辨识与分离等领域。置换混叠图像的盲分离属于盲源分离的一种特殊情况,图像混叠以置换的方式,而非传统叠加的方式,故针对传统叠加方式混叠的图像盲分离算法不再适用于此类置换方式混叠的图像。因此,研究这种置换图像的盲分离需要新的理论和方法。因为置换混叠图像是在置换区域位置、大小、个数、类型等先验知识未知的情况下,仅根据置换混叠图像的本身信息分离出置换区域的图像,是一个具有挑战性的问题。而无监督神经网络是在先验知识未知的情况下,只通过输入数据自动发现输入数据内部特征,进而找到数据的特征差异。所以本文采用无监督神经网络模型来分离置换混叠图像,利用无监督的稀疏自动编码器模型分离含噪声的置换混叠图像,其次,利用无监督的受限玻尔兹曼机模型分离含模糊的置换混叠图像。本文主要研究内容概括如下:(1)对于含噪声的置换混叠图像,因为置换区域和被置换区域存在噪声差异,并且噪声不能稀疏表示,所以我们选用稀疏自动编码器算法来分离含噪声的置换混叠图像。首先,将含噪声的置换混叠图像分成小块,再将各个小块转化成可操作的数据集。其次,利用前向传播构建稀疏自动编码器网络结构,利用输入数据集训练网络,获得解码后的图像。最后,将解码后的图像与输入图像作差得到差图像,根据差图像利用最大类间方差法选取合适的阈值,对其进行阈值化操作,获得含噪声的置换图像。实验结果表明,该算法在噪声类型和方差大小不同时,能有效地分离置换区域位置、大小、个数不同的置换混叠图像。(2)对于含模糊的置换混叠图像,提出基于受限玻尔兹曼机的置换混叠图像盲分离算法。首先,将含模糊的置换混叠图像转化成可操作的数据集。其次,构建受限玻尔兹曼机网络模型并训练,获得概率矩阵。最后,利用训练好的网络重构输入数据集,根据重构数据集与输入数据集的特征差异,分离出含模糊的置换区域图像。实验结果表明,该算法在置换区域位置、大小、个数、模糊类型和模糊度不同的情况下,能有效的分离置换混叠图像。