盲信号分离已成为信号处理学界的研究热点领域，并获得了迅速的发展。独立分量分析是解决盲信号分离问题一种很好的方法。 本文在对传统的独立分量分析理论深入研究的基础上，提出一种基于混合信号概率密度函数估计的盲信号分离算法，利用Gram-Charlier展开估计混合后信号的概率密度函数，并由此估计信号的评价函数，可以分离同时包含超高斯信号和亚高斯信号的混合信号，解决了现有盲信号分离算法中普遍存在的非线性函数只能凭经验或在某些特定非线性用开关切换的问题，可直接应用于所有以非线性函数代替评价函数的盲信号分离算法。本文中，我们将它与传统的盲信号分离算法对模拟数据做以实验并加以比较，证明了该方法的优良性。同时，我们用它代替传统的生物医学方法进行基因的部分体积修正从而获得真正感兴趣的微阵列数据。该方法不但降低了生物实验的成本，而且易于操作实现，具有很强的应用价值。 在信号源少于传感器观测到的混合信号时，未知信号源数目的估计一直是盲信号分离算法中一个难题。为了使盲信号分离问题得到更广泛的应用，本文利用基于特征值估计方法估计源信号的数目，通过实验仿真验证了方法的有效性。