独立成分分析(Independent Component Analysis, ICA)是盲源分离(Blind Source Separation, BSS)的重要分支。它根据源信号的统计独立性特征,从混合信号中将源信号分离还原出来。ICA作为一种功能强大的信号处理方法,成为众多领域中研究的重要课题,特别是在生物医学、语音与通信、图像处理、地球科学、文本数据挖掘等方面有突出贡献,具有非常重要的实用价值和应用前景。传统ICA算法存在适用范围窄,收敛速度慢和分离精度不高等不足。为了适应广泛的实际应用要求,ICA算法优化的研究成为研究热点而意义深远。本文针对上述问题和研究背景,在前人的研究基础上做了如下工作：1.独立成分分析理论总结研究。ICA分离系统由目标函数和寻优算法两方面组成。首先对不同目标函数推导分析并指出共性；然后将寻优算法分为两大类：数值计算方法和仿生群智算法,比较了各算法的优缺点,明确以仿生群智算法作为研究点。采用人工蜂群(Artificial Bee Colony, ABC)算法作为寻优算法,对其仿生策略的特点进行了分析研究。2.从目标函数与寻优算法两方面优化ICA。对于目标函数,存在求解变量多计算量大的问题,采用Givens旋转变换减少求解变量的个数,降低了计算量；对寻优算法,采用自适应策略改进。对于搜索策略存在搜索方向盲目没有指导,策略固定不能随迭代次数调整的不足,引入自适应最优解指导项,指导搜索方向与步长,并随迭代次数自适应调整；对于选择策略存在选择压力集中程度固定,不随迭代次数变化而变化的不足,引入带自适应系数的Boltzmann选择策略,能够随迭代次数变化自适应调节选择压力集中程度,对选择过程细化分阶段调节。3.仿真实验对算法性能比较分析。进行多次独立成分分析实验,从定性和定量两方面判断分离的效果。结果表明,改进算法能分离不同峰度性质的源信号,仿真实验的分离精度约比原算法提升了3个数量级,算法性能良好。