Blind source separation (BSS) can be defined as the recovering of source signals from theirmixture signals without any prior knowledge of the source and mixing environment. Thetype of the mixing environment may be linear or nonlinear and this determines the type ofthe BSS problem. Independent component analysis (ICA) method solves linear BSS byfinding a representation for a multivariate data that minimizes the statistical dependencybetween signal components, but ICA can not find solution for nonlinear BSS. The kernelbasedmethods have been implemented to solve the nonlinear BSS problems.The temporal predictability method that is based on the measure of temporal predictabilitysolves the linear BSS problems, but it can not achieve the nonlinear BSS. The kernelizedtemporal predictability method is based on applying the kernel methods in support vectormachines (SVMs) to the temporal predictability method.In this thesis, the linear and nonlinear BSS applications have been simulated in Matlabnumeric analysis software package by using the linear and kernelized temporalpredictability methods, respectively. In addition to sound separation, the algorithms hasbeen extended for the image separation problem newly in this study. The statisticalperformance of the algorithms have been simulated using different algorithm parameterslike kernel degree, kernel type, image mass size and nonlinear mixing function.

Gözü kapalı kaynak ayrımı, kaynak sinyallerinin karışım sinyallerinden hiçbir kaynaksinyal ve karıştırıcı ortam bilgisi olmadan yeniden elde edilmesi olarak tanımlanabilir.Kaynak karıştırıcı ortam tipi doğrusal veya doğrusal olmayabilir, bu bilgi gözü kapalıayrımı probleminin tipini belirler. Bağımsız bileşen analizi çok değişkenli bir veri içinsinyal bileşenleri arasında istatiksel bağımlılığı en az hale getirerek doğrusal gözü kapalıkaynak ayrıştırma problemini çözer, fakat doğrusal olmayan durumu çözemez.Zamansal tahmin edilebilirlik bilgisinin ölçümü üzerine kurulmuş olan zamansal tahminedilebilirlik metodu doğrusal gözü kapalı kaynak ayrıştırma problemlerini çözebilir fakatdoğrusal olmayan problemi çözemez. Çekirdek tabanlı zamansal tahmin edilebilirlikmetodu destek vektör makinalarındaki (DVM) çekirdek metotlarının zamansal tahminedilebilirlik metoduna uygulanması şeklinde oluşturulmuştur.Bu tezde, doğrusal ve doğrusal olmayan gözü kapalı kaynak ayrıştırılması uygulamalarınınsimülasyonları, doğrusal ve doğrusal olmayan zamansal tahmin edilebilirlik metotlarıkullanılarak Matlab nümerik analiz yazılım paketinde yapılmıştır. Bu çalışmada sesayrıştırmasına ek olarak algoritmalar görüntü ayrıştırması içinde genişletildi.Algoritmaların istatiksel performans analizi farklı çekirdek dereceleri, tipleri ve görüntühücre büyüklüğü ve doğrusal olmayan karışım fonksiyonları için yapılmıştır.