盲信号处理(BSP)是二十世纪九十年代发展起来的一个研究领域。盲源分离(BSS)是盲信号处理的一个重要的研究课题，它具有坚实的理论基础和广泛的应用前景。独立分量分析(ICA)是一种重要的盲源分离的方法，它是从统计学角度使得分离出来的信号尽可能独立。但是，在大多数生物和基因环境下，信号相互统计独立这个假设通常是不成立的。于是，需要把研究扩展到更加符合实际的情况中去，例如在信号统计独立性假设不成立的条件下，也能实现对源信号的分离。　　 本文的主要内容为:①介绍盲源分离的研究背景、研究现状和意义，阐述ICA方法的原理及实现过程，概括ICA和PCA及BSS的关系，在此基础上重点介绍FastICA算法和JADE算法；②针对现有算法的不足，引入网络分量分析(NCA)的方法，建立系统模型，给出NCA的可辨识性标准，包括可辨识性的各个特性和可辨识子网的选择，证明由NCA得出的解满足最大似然准则；③将NCA方法应用到盲源分离中，提出具体的算法并给出新的更为直观和有效的可辨识性证明；④用MATLAB仿真对算法进行性能分析，主要是将NCA的分离结果与ICA的FastICA算法和JADE算法进行比较，证实了在无统计独立性的假设下，NCA具有更理想的盲源分离效果，它所使用的最小二乘法不需要任何迭代过程，因此收敛更快，避免了采用迭代算法而陷入局部最优的问题；⑤对盲信号处理的应用前景进行总结和展望。