独立成分分析(ICA)是指在不知道源信号和传输信道参数的情况下,根据源信号之间的相互独立性,仅由观测信号恢复出源信号的过程.独立成分分析技术在很多领域(比如无线通信、图像处理、生物医学信号及机械故障检测等)都有广泛的应用.本文研究线性瞬时混合ICA算法,重点研究基于二阶矩的BFGS拟牛顿ICA算法和基于二阶矩的自适应步长ICA算法.工作总结如下:1.搜集整理了独立成分分析的发展历程及其研究现状,介绍了独立成分分析的一些具体应用.系统的叙述了独立成分分析问题的基本理论和方法,给出了独立成分分析的数学模型及独立成分分析的两个不确定性和三个假设条件,总结了独立成分分析的预处理方法、目标函数以及优化理论.2.介绍了独立成分分析的二阶矩方法,引入了基于二阶矩的自适应ICA算法和预白化自适应ICA算法.白化是ICA中一个非常有效的预处理方法,通过对观测数据进行预白化处理,可以消除数据之间的相关性.计算机仿真结果表明基于二阶矩的预白化自适应ICA算法的分离效果优于无预白化自适应ICA算法.3.目标函数是解决独立成分分析问题的出发点,它决定了算法的统计性能.基于张伟涛等人所提出的目标函数,本文提出了一个新的对比函数,并通过运用优化理论的BFGS拟牛顿方法和Householder变换的下降方法,得到新的基于二阶矩的BFGS拟牛顿ICA算法.仿真结果显示,该算法能很好的估计出源信号,和已有的基于二阶矩的ICA算法相比,收敛速度更快,稳定性更好.4.在自适应的独立成分分析的算法中,步长的优选问题一直是十分重要的因素.利用二阶矩度量自适应算法迭代过程中独立成分的分离程度,本文提出了一种基于二阶矩的自适应步长ICA算法.该算法能较好的解决收敛速度和稳定性能之间的矛盾,仿真结果表明该算法是有效的.