盲源分离(Blind Source Separation, BSS)是近年来在信号领域中出现的一个热点问题,它是指在源信号和混合矩阵未知的情况下,根据输入源信号的统计特性,仅仅由观测信号恢复出各个源信号的过程。目前解决盲源分离问题最为有效的方法之一就是独立分量分析。独立分量分析(Independent Component Analysis, ICA)是由盲信号分离技术发展起来的信号处理方法,它主要用来从混合数据中提取出原始的独立信号。独立分量分析可以用来处理很多应用领域的数据,例如语音信号、数字图像、文本数据库等。本文重点讨论独立分量分析算法,并对以非高斯性为度量的相关算法进行研究,提出了相应的优化算法。本文所作的主要工作有：1、对目前国内外盲源分离研究中的独立分量分析算法的研究现状进行总结综述。2、对独立分量分析的生成模型、约束及含混因素进行归纳,主要讨论了独立分量分析中基于非高斯性度量的目标函数,并对以峭度为目标函数的独立分量分析算法进行研究,结合共轭梯度法提出了一种优化算法,提高了收敛速度。通过人工信号和语音信号的混合分离仿真实验验证了本文所提出的优化算法的有效性能,并通过串音误差图对优化前后的算法在分离过程中的收敛速度和稳态误差进行比较,对比可知优化后的算法收敛速度更快,串音误差更小。3、针对基于负熵的自然梯度算法收敛速度较慢的问题,提出一种新的变步幅优化算法,并使用模拟退火算法对步幅因子进行监督,避免陷入局部极值,加快了全局收敛速度。并通过人工信号和语音信号的混合分离仿真实验进行比较,仿真结果表明,提出的优化算法能更好的进行盲分离,收敛速度加快,串音误差减小。4、提出了基于优化的量子遗传算法(Quantum Genetic Algorithm, QGA)的独立分量分析算法。本文在对量子遗传算法与传统遗传算法进行性能对比的基础上,结合模拟退火算法通过可控的突跳概率来避免陷入局部极小从而有更好的寻优能力的特性,进一步引入模拟退火算法对量子遗传算法进行优化。并将优化后具有更好的寻优能力的量子遗传算法应用到独立分量分析算法中,通过人工信号及语音信号的混合分离验证了本文所提出的基于优化量子遗传算法的独立分量分析算法的可行性,仿真对比结果表明优化后的量子遗传算法比量子遗传算法具有更好的盲分离效果,分离出来的信号波形图更接近于源信号的波形图。