盲信号分离(Blind Source Separation)是当下的一个热点研究问题,是指仅通过观测信号估计未知混合矩阵恢复未知的源信号,在计算机视觉、语音信号处理、生物医学信号处理等领域有着广泛地应用。张量对角化,是当今信号处理中一个很重要的处理手段。联合盲分离是指利用多数据集信号之间的组间相关性和组内独立性,恢复出多数据集统一的混合矩阵和不同的源信号。张量对角化是指通过在张量的每个维度上乘以一个或一系列矩阵后将张量转化为对角张量或近似对角张量的方法。本文主要采用张量对角化的方法,并将研究重点放在卷积混合的非平稳源信号的盲分离研究。考虑到卷积盲分离的频域算法是通过短时傅立叶变换或小波变换等方法,将时域卷积混合问题转化为在各个频率点上的瞬时混合问题,为了充分利用数据集信号的统计特性,由于本文仅考虑源信号非平稳、混合矩阵平稳的情况,所以可以将每一个频率点的混合信号视为一个数据集信号进行联合盲分离,并利用源信号的统计量将一系列数据集信号的联合盲分离问题,转化为张量对角化问题。张量每个维度上的因子矩阵为非酉(非正交)矩阵,以避免正交(酉)矩阵的预白化造成的算法运算性能下降的问题。因此,本文对主要做出以下工作:(1)基于二阶统计量的联合对角化算法。提出了一种类雅克比旋转的张量对角化算法。该方法以雅克比旋转的思想为基础,提出一个特殊的有且仅有一对关于主对角线对称的元素非零的矩阵代替Givens矩阵做类似雅可比连续旋转,更新每个张量不同维度上的因子矩阵,直到收敛,并以此估计对角张量和混合矩阵,其中张量由信号的自相关矩阵构造而成。在仿真实验中,将该算法与其他算法进行对比,发现该算法具有较好的分离性能,在分离精度和解乱序能力等方面有一定的优势。(2)基于四阶统计量的联合对角化算法。提出了一种类雅克比旋转的张量对角化算法。利用信号的四阶互积累量构造一系列张量,并用上述特殊参数结构代替Givens矩阵做类似雅可比连续旋转,求解算法中的参数的最优解,并以此估计对角张量和混合矩阵。仿真实验证明了该算法较优的分离精度、解乱序能力,并且将其应用于声音信号的分离问题上,分离效果良好。