信號分離，盲信號分離（BSS）或盲源分離，是指在沒有關于源信號或混合過程的信息（或很少的信息）的幫助下，將一組源信號從一組混合信號中分離出來。它最常被應用于數字信號處理中，涉及到對信號混合物的分析；其目的是為了從混合信號中恢復原始的成分信號。信號源分離問題的經典例子是雞尾酒會問題，即一些人在一個房間里（例如在一個雞尾酒會上）同時交談，聽眾試圖跟隨其中一個討論。人腦可以處理這種聽覺來源的分離問題，但在數字信號處理中卻是一個困難的問題。這個問題一般來說是高度不確定的，但在各種令人驚訝的條件下可以得出有用的解決方案。這一領域的早期文獻大多集中在時間信號的分離上，如音頻。然而，現在盲目的信號分離通常是在多維數據上進行的，如圖像和張量，這可能不涉及任何時間維度。為了解決這個問題，已經提出了幾種方法，但目前發展仍在進行中。一些比較成功的方法是主成分分析和獨立成分分析，這些方法在沒有延遲或回聲存在的情況下效果很好；也就是說，這個問題被xxx簡化。計算聽覺場景分析領域試圖用一種基于人類聽覺的方法來實現聽覺源分離。人腦也必須實時地解決這個問題。在人類知覺中，這種能力通常被稱為聽覺場景分析或雞尾酒會效應。

BSS用于分離混合信號，只知道混合信號，不知道原始信號或它們是如何混合的。分離出來的信號只是源信號的近似值。使用Python和Shogun工具箱對分離的圖像進行分離，使用基于獨立成分分析（ICA）的特征矩陣聯合逼近對角化（JADE）算法。

這一領域正在研究的實際應用之一是用腦磁圖（MEG）對大腦進行醫學成像。這種成像涉及到對頭部以外的磁場的仔細測量，從而產生頭部內部的精確三維圖像。然而，外部的電磁場來源，如受試者手臂上的手表，將xxx降低測量的準確性。在測量的信號上應用信號源分離技術可以幫助消除信號中不希望出現的偽影。

在腦電圖（EEG）和腦磁圖（MEG）中，肌肉活動的干擾掩蓋了大腦活動的預期信號。然而，BSS可以用來分離這兩者，因此可以實現對大腦活動的準確表述。

另一個應用是音樂信號的分離。對于相對簡單的信號的立體聲混合，現在有可能做出相當準確的分離，盡管仍有一些偽影。

其他應用。

股票預測地震監測文本文件分析數學表示單個源信號的集合。則方程組是超定數的，因此可以用傳統的線性方法來解混。則該系統是欠確定的，必須采用非線性方法來恢復未混合的信號。信號本身可以是多維的。