诱发电位(Evoked Potentials，EP)是中枢神经系统在感受外界或内在刺激过程中所产生的生物电活动。通常情况下，EP信号淹没在很强的背景噪声中，信噪比通常在-10dB左右，甚至更低，所以噪声中诱发电位的检测技术一直是神经科学领域的重要课题。 本文对提取EP信号的新方法作了简要的概述，并引出了独立分量分析(ICA)这一新兴的信号处理技术。ICA起源于上世纪九十年代，现有算法大体上可以分为两类，一类是基于非高斯性测度的算法，另一类是基于信息论的算法。本文对这两类算法中的比较有代表性的算法进行了详细的研究，并通过仿真实验将各算法应用于EP信号的提取，取得了比较满意的效果。 基于信息论的ICA算法主要有三种算法：信息极大(Infomax)算法、最大似然算法和互信息最小化算法。这三种准则函数都可以表示为K-L散度的形式。而K-L散度对于可逆变换的不变性，使得这三种基本算法是等价的。本文在理论上验证了这三种基本算法的等价性。 ICA的两类基本算法各有所长。基于非高斯性测度的算法收敛快，但不能在线学习。基于信息论的算法可以在线学习，但收敛较慢。本文把这两类算法的优点结合起来，提出了一种加快在线学习算法收敛速度的新算法——FastInfomax算法。该算法利用FastICA算法通过少量数据获得一个接近最优解的权矩阵，然后对该权矩阵进行线性变换，将变换后的矩阵作为Infomax算法的初始权值，进行在线学习。其中，FastICA算法是基于非高斯性测度的算法中最具代表性的，可以说该算法是现有的收敛最快的ICA算法。将FastInfomax算法应用于EP信号的提取，可以有效地去除噪声，得到比较纯净的EP信号。与Infomax算法相比，FastInfomax算法的收敛速度大为提高。