本文重点研究如何应用盲源分离(BSS，BlindSourceSeparation)理论将多道脑电信号(EEG,Electroencephalography)中每个脑内信号源(偶极子)单独产生的信号分离出来，使其能够应用单源定位方法(如神经网络法)分别确定脑内各信号源位置。其中，单源定位方法己相当成熟，不作为研究重点，重点是研究如何分离混合脑电数据，并如何应用在脑源定位应用中。 脑电记录通常是脑内多个神经活动信号源的复杂混合，如何从这种复杂的混合中得到各个脑神经活动信号源的位置信息，对脑科学研究以及脑医学临床应用来说非常重要，被称为脑电逆问题。目前，此问题是脑科学研究领域的一个难点，它的解一般不具有唯一性。 本文主要研究了盲源分离理论在解决脑电信号多源定位问题上的应用，并对主成分分析(PCA，PrincipalComponentAnalysis)、独立分量分析(ICA，IndependentComponentAnalysis)等现代信号处理方法作了详细研究。其中，重点研究了基于信息量极大的Infomax算法，并作了仿真验证。经研究，本课题初步解决了以下几个问题：(1)利用奇异值分解法判断偶极子数目，解决了实际应用中偶极子数目未知的问题。 (2)应用PCA算法，完成实验数据预白化处理，从而满足了ICA算法的需求。 (3)通过对ICA算法详细的理论分析及仿真验证，解决了独立源分离问题，并在逆过程中得到了每个偶极子在不同导联上单独诱发的脑电信号，证明了此方z 法可以解决2个脑内偶极子的脑电信号源定位问题。 (4)利用相关系数法及组合优化方法解决了盲源分离结果的模糊性问题，为得到单源脑电信号铺平了道路。 本文以解决2个脑内偶极子的脑电信号源定位问题为目标，对独立分量分析理论、算法及应用进行了较深入的研究，探讨了ICA用于脑电信号多源定位问题上的可行性，并取得了初步的研究结果，是一项有新意的研究工作。本文工作对于推进独立成分分析理论和算法研究，促进其在脑电信号分析中的应用将起积极作用，部分研究成果可推广到其他领域信号的处理中。