在传输信道、源信号及其分布未知的情形下,根据源信号之间的统计独立性假设,仅由观测到的混合信号实现源信号恢复和传输信道估计的过程称为独立成分分析(ICA)。目前,独立成分分析技术在无线通信、生物医学工程、图像处理和语音信号处理等领域有着广泛的应用。本文重点研究基于典型相关性分析(CCA)的自适应拟牛顿ICA算法及其在脑电(EEG)信号处理中的应用,主要工作总结如下:1.系统论述了独立成分分析的基本理论和方法。给出独立成分分析的基本模型及基本假设,并分析了基本模型固有的两个不确定性。总结了独立成分分析中的几个经典的目标函数和优化算法。2.简单介绍了基于典型相关性分析的独立成分分析方法。引入基于典型相关性分析的自适应算法以及预白化的自适应算法。预白化是非常有效的预处理方法,它可以消除数据间的相关性,降低独立成分分析的工作量。仿真结果表明,与未白化预处理的算法相比,预白化典型相关性分析的自适应算法有更好的分离效果。3.目标函数是推导独立成分分析算法的关键,它决定了算法的统计性能。本文在分析经典CCA代价函数的基础上,提出一个新的目标函数。首先,理论证明了新目标函数具有唯一的全局最小值点,它也是经典CCA代价函数的最大值点。然后,基于新的目标函数,提出快速且有效的自适应拟牛顿算法。仿真结果表明,与已有的基于CCA的ICA算法相比,新算法具有较好的分离精度,且收敛速度更快。4.将本文提出的基于CCA的自适应拟牛顿算法应用于临床脑电信号的分离与伪迹的去除。仿真结果表明,本文提出的基于CCA的拟牛顿算法可以完成EEG信号的分离,并且能成功地去除EEG信号中的眼电(EOG)伪迹,与已有算法相比,该算法收敛速度更快,稳定性更好。