当前,随着脑电波信号采集设备的不断发展,脑机接口研究变得更加具有实用性,一些基于脑机接口的受人脑控制的轮椅等设备已经投入市场。然而,脑电信号的收集过程中不可避免地会掺杂有杂音信号,这些信号来自于机械设备固有杂音或者是周围环境的干扰信号。盲源分离算法可以实现在不清楚原始信号的前提下,从混杂信号中提取原始信号的功能。虽然这些算法的分离效果均被证实非常理想,但是其算法运行速度难以满足今天脑机接口系统中对实时性的要求。本文主要的研究是基于多核硬件平台对当前主流的盲源分离算法进行并行优化,在保证算法原有分离原理与分离效果不变的前提下,提升算法各自的运行效率,为算法在实时系统中的进一步使用奠定基础。本文中选择了在脑电信号处理领域三种主流的盲源分离算法进行并行优化,分别是SOBI算法、InfoMax算法、FastICA算法。针对每种不同的算法分析各自的数学计算原理,结合高性能计算编程技术,从算法原理到算法实现上对多核处理器进行适配。主要采取了任务并行、线程级别并行、数据与指令级别并行等并行优化措施来加速算法的计算过程。另外,本文还针对多核硬件平台的NUMA架构特点,进行了算法运行时的内存访问优化控制。为了方便研究人员使用本文中提出的并行优化后的盲源分离算法,设计并实现了一款Parallel ICA工具。该工具支持上述三种并行优化后的盲源分离算法,并且提供多种编程语言接口,封装了并行优化算法的具体实现细节,用户只需要指定输入数据和运行算法,Parallel ICA工具便可以自动以最优方式适配当前运行的硬件平台,实现算法在该平台上的最快速运行。通过本文的性能测试分析,并行优化后的SOBI算法、InfoMax算法、FastICA算法在Intel的多核平台上分别实现了 39倍、3.2倍、4.9倍的加速比。