盲源分离(BSS)是现代信号处理领域中一个活跃的研究领域,它指的是在源信号和传输信道都未知的情况下,仅由传感器接收到的观测信号分离出源信号的过程。BSS技术在图像、语音信号处理,生物医学信号处理等方面已经取得了较好的应用成就。尤其对于图像处理,盲源分离理论和技术已经深入到图像分离、图像去噪、图像特征提取等各个应用层面。为了将BSS技术和图像处理更紧密的结合,本文通过对用于盲信号分离的快速独立分量分析(Fast-ICA)算法的改进,研究基本Fast-ICA算法和改进Fast-ICA算法在无噪图像以及含噪图像盲分离过程中的性能;将改进Fast-ICA算法与小波阈值去噪技术相结合,实现了对含噪图像的盲源分离,并提高了盲分离的性能指标。首先,分析了盲源分离的基本理论以及解决盲源分离问题的主要方法——独立分量分析法(ICA);在众多的独立分量分析方法中,基于固定点的Fast-ICA是一种优秀的算法并且得到了广泛的应用。基本Fast-ICA算法利用二阶收敛的牛顿迭代方法进行目标函数的优化,为了加快算法的收敛速度,本文利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行改进,以进一步提高算法的运行效率。其次,为了验证改进Fast-ICA算法的有效性与可行性,将基本Fast-ICA算法与改进Fast-ICA算法应用于无噪模型ICA中,通过仿真验证了基于八阶收敛的Fast-ICA算法与基本Fast-ICA以及五阶收敛的Fast-ICA算法在分离性能上基本相同,但改进算法具有更少的迭代次数和更快的收敛速率。最后,考虑到噪声的客观存在性,在含噪图像环境下利用小波变换(WT)与改进Fast-ICA算法相结合的方法实现含噪图像的盲源分离。采用改进Fast-ICA算法对图像进行分离,并且采用小波变换、均值滤波和中值滤波等方法进行去噪。通过一系列评价指标对比改进Fast-ICA算法与小波变换以及中值滤波等去噪方法去噪和分离性能。仿真结果证明改进的Fast-ICA算法与小波阈值去噪相结合的算法对含噪混合图像的盲分离性能更优,并获得更佳的去噪效果。