独立分量分析（Independent Component Analyis，简记ICA）是指在源信号与混合系统未知的情况下，根据输入源信号统计独立的特性，仅由观测到混合信号来恢复或分离出源信号。独立分量分析算法广泛应用于生物医学、语音增强、多用户通信等研究领域。胎儿心电信号（Fetal Electrocardiogram FECG）是各种人体生理信号中常见的一种，在临床诊断胎儿生理状况等有着非常重要的意义。脑电信号（Electroencephalogram EEG）是通过电极记录下来的脑电细胞群的自发性、节律性的电活动，是反应大脑活动状态的重要信号；通常获得的脑电信号幅度比较弱，并伴有较强的背景噪声。近几年来，国际上许多专家学者开始尝试采用ICA技术来解决胎儿心电信号提取与脑电信号处理这两个问题。　　 本文主要研究内容包括独立分量分析的一种重要算法——快速独立分量分析算法（Fast ICA），以及该算法在胎儿心电信号提取与脑电信号处理的应用。本文最后讨论了快速独立分量分析算法的FPGA (Filed Programmable Gate Array)实现。　　 首先，本文介绍了ICA算法的发展历史与研究现状，以及ICA算法的分类。其次详细分析了ICA的线性模型、基本原理及其相关的统计学与信息论知识；在此基础上，推导并给出几种常用的ICA算法，同时引入算法的性能评价准则。接着，重点研究了结合神经网络实现的独立分量分析算法，在分析了神经网络解决盲信号分离的可实现性的基础上，对J-H递归神经网络盲分离方法与FastICA算法进行了详细的讨论；同时，编写FastICA算法的matlab程序，对人工混合信号进行了实验仿真。在这之后，本文的另一个重点研究是FastICA算法在FECG信号提取与EEG信号处理上的应用，对来自比利时SISTA数据库的ECG信号以及来自日本ABSP实验室的EEG信号进行了matlab仿真实验，仿真结果表明FastICA算法的可行性与有效性。最后，根据FPGA并行快速的特点，对FastICA算法进行了模块划分，为该算法进一步FPGA上的实现提供方案依据。