独立成分分析(Independent Component Analysis,ICA)是一种新兴的数据处理与分析方法,主要用于在源信号和混合信道未知的情况下,从观测数据来提取原始的独立源信号。近年来,该方法已经成功地应用于语音信号处理、生物医学信号处理、神经计算、图像特征提取、远程通信、人脸识别等众多领域。ICA具有广阔的应用前景,吸引了众多的科研工作者献身其中,因此近些年获得了长足的发展。然而,ICA的研究尚处于发展阶段,仍有许多问题有待进一步深入研究和解决。本文首先对ICA的国内外研究现状以及应用作了较详细的介绍,然后介绍了标准ICA和扩展ICA的相关知识。最后,针对ICA现有的几个问题,例如按顺序输出独立成分、只提取一个或多个感兴趣信号的盲抽取问题以及带噪观测信号的盲信号分离问题等进行了研究,提出了几个较为有效的算法。本文的主要工作概括如下:1.针对独立成分输出顺序的不确定性问题,提出了一种基于约束ICA模型的排序算法。由于现有的标准ICA算法往往仅探求独立成分的方向,认为所得到的源信号的顺序对于通常所考虑的问题影响不大,从而忽略了这种不确定性。然而,在某些特殊应用中,确定输出成分的顺序是必需的。针对这种需要,本文提出了一种基于投影方法的约束ICA模型,根据某些统计量的大小来规定输出成分的顺序,并结合NewFP算法得到了相应的约束不动点算法。由于算法是不动点型算法,从而避免了其它梯度型算法中学习率的选择问题。基于模拟信号、语音信号的仿真实验以及实际的胎儿心电数据的处理结果证实了算法的有效性。2.针对时间ICA的盲源抽取问题,提出了两个基于待抽取信号时间结构特性的盲抽取算法。首先,利用待抽取信号的广义自相关性以及其新息的非高斯性,提出了基于两者的凸组合模型,得到了梯度型的盲抽取算法,并在理论上给出了算法的稳定性分析。与一般的只利用非高斯性或只利用时间结构性的算法不同,该算法有效结合了这两个特性,从而能够较大限度地挖掘数据中的隐含的信息。在图像数据以及胎儿心电信号的抽取实验中,取得了较好的抽取效果。其次,以待抽取信号的先验参考信息为基础,将待抽取信号的参考信号和广义自相关性相结合,构造了基于两者的目标函数并提出了一种新的盲抽取算法。与现有的盲抽取算法相比,新算法更充分利用了待抽取信号的先验参考信息。需要指出的是,该算法并不过分地依赖于参考信号,即使选取的参考信号较一般时,也能得到较为满意的效果。基于胎儿心电数据的实验证实了算法的较好性能。3.针对带噪数据的抽取及分离问题,提出了两个基于源信号时间结构特性的去噪算法。首先,将待抽取信号广义自相关性与高斯矩函数相结合,通过最大化这种广义自相关性,给出了感兴趣信号的去噪盲抽取算法。该算法采用偏差移除技术,是对无噪ICA算法的修正,以去除或减少由噪声引起的偏差。与现有的一些噪声盲抽取算法相比,即使在噪声协方差较大时,也能得到较满意的效果。而且本算法对时间延迟的估计误差不敏感。基于模拟信号、图像数据以及胎儿心电数据的实验结果证实了算法的有效性。其次,将源信号的非线性新息表示与高斯矩函数相结合,提出了一种适用于源信号协方差非平稳情况的去噪盲源分离算法。并针对现有噪声方法较少考虑噪声未知这一问题,进一步将其推广到噪声协方差未知情况,实验证实了算法的有效性和实用性。