盲信号分离是指仅由已知的传感器采集信号估计出未知源信号的过程,独立分量分析(ICA)是近二十年来发展起来的一种高效盲信号分离方法,它是指在源信号和混合矩阵均未知的情况下,仅利用源信号统计独立等容易满足的先验条件,从观测信号中估计出各个源信号分量。由于ICA对应用环境无需太多的假设条件,它被广泛地应用于语音信号处理、医学信号处理、图像处理、阵列信号处理等领域。本文着重研究快速独立分量分析方法及其它的改进算法,并将改进的方法用于实际的语音盲分离中。本文介绍了独立分量分析的研究现状和语音盲分离的研究背景和意义,阐述了盲信号分离的基础理论,总结了现有的几种盲源分离的数学模型及特点,基于盲分离和独立分量分析间的关系,指出独立分量分析是解决盲分离的主要方法,接着详细论述了ICA的原理及实现过程,并重点介绍了独立分量分析中的一种快速算法—FastICA,根据FastICA目标函数的类型可分成两类：基于负熵的FastICA算法和基于峭度的FastICA算法,指出基于负熵的FastICA算法存在初始值敏感和局部极大值问题,针对此问题提出了将M-FastICA和F-FastICA相结合的算法,针对峭度算法存在步长值敏感问题,提出了改进的基于峭度的FastICA算法,在牛顿迭代的基础上引入精确线性搜索技术,通过求低阶多项式的根得到优化步长,使得算法有更快的收敛速度和更好的鲁棒性。最后,针对语音信号的特性,将独立分量分析模型引入到混合语音盲分离中,给出了语音盲分离的性能评价指标,将基于峭度的改进算法分别用于人工混合的语音和实际观测的混合语音分离实验,并与FastICA算法仿真结果进行了对比分析,结果表明改进的算法分离速度更快。