با توجه به این که سیگنال های دریافتی از محیط به صورت ترکیبی از سیگنال ها هستند، دسته بندی، جداسازی و استخراج اطلاعات مورد نظر از این سیگنال ها در زمینه ی پردازش سیگنال دیجیتالی دارای اهمیت ویژه ای است. با توجه به عدم وجود اطلاعات کافی از منابع تولیدکننده ی سیگنال ها و چگونگی تشکیل سیگنال های مرکب، مسئله ی پردازش کور سیگنال ها مطرح می شود. یکی از این توابع هدفی که به تازگی برای حل این مسئله مطرح شده است، میزان همبستگی غیرخطی سیگنال های تخمینی می باشد. در این پایان نامه، اهمیت جداسازی کور سیگنال های منبع مورد بحث قرار می گیرد و روش های مختلفی که در این زمینه بر اساس میزان همبستگی غیرخطی مطرح شده اند، بررسی می شوند. موجک به دلیل داشتن قابلیت چند وضوحی بالا و تفکیک سیگنال ها به پنجره های کوچک زمانی، به عنوان یک ابزار قوی برای کاهش حجم دیتا مطرح می باشد. هم چنین در حوزه ی موجک همبستگی غیرخطی سیگنال ها بالاتر می رود. لازم به ذکر است که در اکثر پردازش های سیگنال دیجیتالی، نویز به عنوان مخرب سیگنال ها ظاهر می شود. بنابراین باید با روش هایی حضور نویز را کم رنگ کرد. الگوریتمی ارائه می شود که قادر است اثر نویز را کاهش دهد و با ایجاد بسته های موجک بار محاسباتی پایینی را ایجاد کند و درنتیجه از سرعت اجرایی بالایی برخوردار خواهد بود. در این پایان نامه سیگنال های صحبت مورد استفاده از بانک اطلاعاتی timit انتخاب شده اند که فاقد نویز هستند. شبیه سازی های الگوریتم پیشنهادی بر اساس این سیگنال ها خواهند بود. سیگنال های منبع با ماتریس تصادفی با هم ترکیب شده و سپس به نویز آغشته می شوند. در روش پیشنهادی ابتدا موجک سیگنال های مرکب نویزی محاسبه شده و عمل جداسازی سیگنال های منبع بر مبنای ضرائب تقریب حاصل از موجک انجام می شود. در مرحله ی بعد عمل سفیدسازی سیگنال های به دست آمده انجام می شود. برای تخمین سیگنال های منبع، فیلتر خطی طراحی می شود و براساس الگوریتم lms ضرائب فیلتر خطی محاسبه می شوند. الگوریتم ارائه شده تا جایی ادامه پیدا خواهد کرد که همبستگی غیرخطی سیگنال های منبع جدا شده، حداکثر مقدار خود را داشته باشد. شبیه سازی ها روی سه و چهار سیگنال منبع از نوع صحبت، سیگنال های منبع از نوع نویز رنگی و سیگنال های الکتروکاردیوگرام مادر انجام می گیرد. الگوریتم پیشنهادی با الگوریتم shi با نام noisyna مقایسه می شود. نتایج حاکی از آن است که الگوریتم پیشنهادی به دلیل استفاده از الگوریتم lms و هم چنین استفاده از موجک قادر است سرعت محاسبات را افزایش دهد و پاسخ بهتری را در شرایط نویزی از خود نشان دهد. برای سنجش میزان موفقیت الگوریتم، از پارامترهای شاخص بازده و نسبت سیگنال به نویز استفاده می شود. شبیه سازی ها نشان می دهند که نسبت سیگنال به نویز الگوریتم پیشنهادی تا حدود 3 دسی بل از الگوریتم noisyna بیشتر است.