独立分量分析(Independent Component Analysis，简称ICA)是近年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法，其目的是从传感器收集到的混合信号中分离出相互独立的源信号，使得这些分离出来的源信号之间尽可能独立。因此，被分离出来的诸分量更容易具有物理或者生物的意义。目前，独立分量分析是近年来信号处理技术发展中的一项前沿热点，在诸多领域越来越被广泛的运用。 遗传算法是一种基于自然选择和遗传机制的搜索算法，它使用概率转移规则引导搜索过程朝着最优解的方向进行。与其他的搜索算法相比，遗传算法具有全局收敛、隐含并行性、数学简单性等特点。近年来，遗传算法在很多领域得到了广泛的应用。 目前很多独立分量分析算法都是基于源信号是统计独立这一假设特征的。本文先介绍了几种大家公认的基于统计独立性的盲分离算法，在分析了这几种算法优缺点之后，提出了一种基于遗传算法的新颖算法。这种算法充分利用了分离信号的特征，既克服了普通梯度算法容易陷入局部最优的缺点也避免了遗传算法在搜索过程中的完全随机性。该算法采用基于KL散度的目标函数作为原始目标函数，结合对分离矩阵的限制，从而形成一个带约束的多目标规划问题。用迭代法求解这个问题，在原始目标函数的基础上建立新的适应值函数，采用实数对分离矩阵进行编码，用算术组合方式以合适的概率进行交叉，以权值梯度方向作为变异方向，用轮盘赌的办法来选择对应适应值比较大的那一部分解。通过变异，交叉，选择这几个算子进行多次迭代后得到最优解。仿真结果显示了这个算法比前面的几个算法表现出更好的分离效果。