独立分量分析方法(ICA, Independent Component Analysis)是近年发展起来的一种有效的盲信号分离方法。该技术是在不知道接收信号瞬时混叠参数的情况下,仅仅根据输入源信号的一些基本统计特征,由观测信号恢复出源信号的过程。目前,在语音信号处理、图像处理、无线通信技术、生物医学工程等领域应用十分广泛。由于其广阔的应用前景,吸引了很多科研工作者对其进行了深入研究,因此ICA的算法理论得到了不断的发展和完善。文章首先阐述ICA算法的基本理论,包括ICA的数学模型以及数据的处理过程等。又介绍了几种典型的ICA算法及衡量算法的性能指标。典型的ICA算法主要包括最大熵算法、最小互信息算法、固定点算法、梯度算法和自然梯度算法等。本文重点研究了FastICA算法,特别是三阶收敛和五阶收敛的FastICA算法,认真分析了算法的原理以及算法本身存在的优点和不足。针对算法对初值选择比较敏感的问题,在三阶收敛和五阶收敛的FastICA的基础上进行了有效改进,提出了两种改进的算法,一种是最速下降法与FastICA结合的算法；一种是基于松弛因子的高阶收敛FastICA改进算法。通过图像信号和语音信号分离的仿真实验,证明了改进算法的分离效果要优于传统的FastICA算法,特别是在初值处理方面,克服了原算法的初值敏感性问题,提高了算法的收敛均衡性和有效性。