独立成分分析(Independent Component Analysis,ICA)是近年来发展起来的一种非常有效的盲信号处理技术。它在很多研究领域发挥着重要作用,例如,信号处理、神经网络等领域,目前已成为这些领域的研究热点,受到越来越广泛的关注。在过去十几年里,有关理论和算法研究得到了较快的发展。本文简要介绍了ICA的发展历程,详细地论述了ICA最优化模型求解时的目标函数与算法以及性能分析等。然后在极大似然估计的框架下,基于两类参数模型一指数幂族模型和高斯(Gaussian)混合密度模型提出了一种自适应选取评分函数的算法,主要工作如下:1.介绍了标准ICA模型,并且从模型的可辨识性、可分离性和唯一性几个方面对ICA的可解性进行了系统地整理与分析。然后从信息论和统计学的角度出发,介绍了估计原理和估计方法,主要包括:极大似然估计、极小化互信息和极大化非高斯性。最后讨论了ICA的自然梯度算法及不动点算法的稳定性。2.提出了一种新的自适应选取评分函数的独立成分分析算法,研究了具有对称分布(包括超高斯分布与亚高斯分布)和非对称分布源信号混合的盲源分离问题。算法中的评分函数是由两类参数模型一指数幂族和高斯(Gaussian)混合密度模型得到的,它的选择是基于观测信号的高阶矩估计,进一步给出了算法的稳定性分析。仿真实验验证了算法的可行性和有效性。