在信号处理这门学科中,对盲源信号分离(Bland Source Separation,BSS)的研究是最近几十年迅速发展起来的一门新的研究课题。它主要研究的内容是在信源信号以及信号的传输通道也就是各信号的混合情况不清楚的情况下,根据信源信号的一些统计特性,以及信息论的一些知识,将观测信号进行分离得到想要的信源信号。BSS的研究具有非常高的实际价值。盲信号分离技术现在应用的领域十分的广泛。从最初的运用于语音信号、图像信号的分离识别逐渐发展到数据通信、阵列信号、地学空间信息、生物医学信号、文本分析等信号的处理外。近年来又开始在无线通信、图像处理和生物医学工程上大量的运用。独立变量分析(ICA)是利用BSS方法中的各个信号源是相互独立的这一个条件下的到的一种快速分离盲源信号的方法,是BSS方法中的一种比较特殊的算法。现阶段,ICA算法主要分为基于信息论相关知识的迭代估计算法和基于统计学原理的代数算法。这两种算法对源信号都有一定的要求。所进行混合的源信号必须是非高斯信号且相互之间独立。在以信息论为基础的迭代估计算法中,各国研究人员又进行了较为深入的研究分别从最小互信息准则、最大似然估计、最大熵等方向给出了多个迭代估计方向。基于此类方向所给出的ICA算法有有最大似然估计算法、Infomax算法、FastICA算法等。而在以统计学原理为基础的代数算法中则主要是二阶和四阶累积量算法。FastICA算法是利用据最大化信号的非高斯性最大这一原理,并利用固定点算法去求解非高斯性的最大值来实现盲信号的分离。该算法较为经典的计算是采用牛顿迭代的方法,每次迭代分离出一个独立的分离成分。FastICA因为分离速度快从而被广泛的采用。本文主要阐述了盲分离技术的基本原理和FastICA算法,并提出了两点改进。一个是对原有算法中的非线性非二次函数进行改进。另一个是在基于steffensen迭代的基础上对迭代方法进行改进。改善了牛顿迭代中计算复杂,收敛精度和速度不够的不足。同时,将改进的算法应用在实际混合的语音信号中进行盲分离。仿真结果表明改进后的算法能使分离出的信号的信噪比和分离的速度得到一定的提高。