盲源分离（Blind Source Separation，BSS）是指在信号的理论模型和源信号无法精确获知的情况下，如何从混叠信号（观测信号）中分离出各源信号的过程。单通道盲源分离（Single Channel Blind Source Separation，SCBSS）是欠定盲源分离的一种极端情况。在现实生活当中，由于受到安装条件或成本限制，往往使用单个传感器来采集多路混合信号，而如何利用算法将多路源信号估计或恢复出来，在数学领域是一个极具挑战的问题。本文围绕单通道盲源分离这一研究热点展开，分析目前单通道盲源分离算法，主要研究内容有以下几个方面：1、提出一种EEMD-PCA-ICA自适应单入多出盲源分离法。针对EEMD-ICA单通道盲源分离法，自适应程度差，算法迭代效率低等问题，本文提出EEMD-PCA-ICA算法，最后通过实验与EEMD-ICA和小波ICA算法对比算法的运行速度、恢复效果。2、提出一种基于局部均值分解的新型单通道盲源分离法。局部均值分解（Local Mean Decomposition，LMD）是类似于EMD算法的一种能够根据信号的自身特点，将信号自适应分解成具有特定物理意义的分量，被某些文献证明其在分解分量、瞬时频率等方面较EMD算法效果更好，但该算法同样具有端点效应问题，端点效应若不得到抑制，会导致算法在迭代次数的增加，所得到的分量失真度随着迭代的进行越来越高，严重可导致得到一些毫无意义分量。本文首先提出将自适应相位正弦延拓法来抑制LMD算法的端点效应，然后基于优化后的LMD算法，提出一种新型的单通道盲源分离法，通过对实际信号的处理证明本方法的有效性。