盲信号处理已成为信号处理学界和神经网络学界共同感兴趣的研究热点领域，并获得了迅速的发展，有着坚实的理论基础和广泛的应用。在通信，阵列信号处理，生物医学信号处理，语音信号处理，图像处理，特征提取以及数据挖掘中有很多应用。 盲信号分离的问题近年来研究学者们根据不同的优化准则，提出了各种解决的方法，既有利用代数方法直接获得分离矩阵，也有自适应的在线学习算法，其中独立分量分析是近期发展起来的一种非常有效的盲源分离技术。人们对这一新技术的基本理论进行了深入的研究，并提出了大量的算法，如信息最大化算法，非线性主分量分析法，固定点算法，以及自然梯度下降算法等。在这些方法中，自然梯度下降算法被公认为是一个分离效果非常好，而且有着很大发展前景的算法。该算法不仅对于瞬时混合的盲源分离，而且对于卷积混合的盲源分离都有着重大的意义。 本文的目标便是深入的研究用于独立分量分析的自然梯度下降方法。研究该算法的几种优化准则，并且指出它们的等价性；研究算法基本原理，学习规则的推导和对基本梯度下降法的推广；研究各种泛化的源信号概率密度模型，如何最优的选择非线性的激励函数以及盲源分离效果的评价等。 同时，本文对泛化的高斯分布模型进行了扩展，提出了一个基于非对称的泛化的高斯分布模型的新的算法。在该算法中，我们采用了一种新的激励函数的更新原则——激励函数的自适应。模拟实验显示了算法的有效性。文章的最后我们讨论了独立分量分析的一个非常重要的应用，语音信号的增强。在这些研究的基础上，对盲信号处理和独立分量分析的发展作进一步的展望。