盲源分离在许多领域都得到了广泛的重视,尤其是在医学信号分析与处理、地球物理数据处理、数据挖掘、语音增强、图像识别以及无线通信等领域。其中,用多电极装置获取生物医学信号就是盲信号处理的一项很有发展潜力的应用研究。所以,盲源分离的实际应用研究已经成为一个主要发展趋势。独立分量分析是近年来从盲源分离中发展起来的一项多维信号处理技术,它作为一种有效的数据处理方法,能够有效的降噪并把信号中有用信息挖掘出来。本文的主要研究工作有以下几个方面：1.介绍了独立分量分析(ICA)的基本理论、模型、寻优算法和优化判据。讨论了ICA的主要判据,包括极大似然估计、信息极大化、互信息最小化及非高斯性度量。其主要算法包括：联合近似对角化法(JADE)、快速定点迭代法(FastICA)、信息最大化法(Infomax)。本文对ICA各种算法的性能进行了比对,并采用改进算法对脑电信号及心电信号进行分离和提取。2.本文针对Gram-Schmidt正交化FastICA算法的估计误差被累积在随后的向量中的缺陷,提出了对称正交化FastICA算法,它克服了这种缺陷,保证了每次提取的都是尚未提取过的信源,排除已提取过的分量。通过实验表明,对称正交化FastICA算法能够成功去除脑电信号中的伪迹,进一步证明了该算法的有效性和在实际应用中的可行性。3.从孕妇身上测得的ECG信号包含了孕妇和胎儿各自的ECG信号,且传输介质参数未知。通过独立分量分析,将孕妇和胎儿各自的ECG信号分离,从而为诊断提供准确数据。在进行盲源分离时,为了避免二阶盲辨识算法与特征矩阵联合近似对角化算法的缺陷,提出了联合算法,此算法综合利用了这两种算法的优点,不仅能够提取出清晰的胎儿心电,还能大大降低噪声的干扰和人工干预,具有很好的稳定性。