J-BSS(Joint Blind Source Separation,J-BSS)是近几年来新兴的一种信号处理技术,在多数据集融合方面有着广阔的应用潜力。J-BSS通过利用源信号的统计特性,如组间相关性、组内独立性,恢复出源信号。基于多模态统计量的J-BSS旨在将二阶协方差、二阶伪协方差、四阶累积量等统计量融合处理,以此解决源信号统计特性未知的J-BSS问题本文主要研究了多模态统计量融合处理的J-BSS方法,主要成果如下:·提出一种基于四阶累积量的张量联合对角化算法。该算法基于雅可比连续旋转策略,将张量联合对角化这类高度非线性的优化问题,转化为一系列简单的、可通过线性运算获得闭式解的子优化问题,并通过交替迭代对张量的因子矩阵进行更新,进而估计出多个数据集的混合矩阵,实现J-BSS。计算机仿真结果表明,所提出的算法具有较快的收敛速度,较之现有的同类型BSS(Blind Source Separation,BSS)及J-BSS算法具有更高的精度。·提出一种多模态统计量融合处理的张量/矩阵联合对角化算法。该算法将二阶协方差、二阶伪协方差、四阶累积量三种统计量融合处理,通过雅克比连续旋转矩阵拟合因子矩阵,更新目标张量,使之趋近对角化,从而估计出多个数据集的混合矩阵,实现J-BSS。仿真实验结果说明,所提算法对于统计特性不同的多种信号均表现出了良好的性能,并可以灵活地调整参与运算的统计量类型。针对不同数据集相关性强弱不一的信号,可以灵活地选择相关性强的数据集进行计算,以获得更加精确的结果。此外,上述两种算法均在处理实际胎儿心电信号(Fetal ECG,FECG)方面表现出良好的性能。