BSS(Blind Source Separation,盲源信号分离)是指在缺少关于源信号以及混合过程的先验条件，或是在此类先验条件极少的条件下，从一组混合信号中将源信号分离出来的信号处理过程。ICA(Independent Component Analysis,独立成分分析)是求解BSS问题最重要的方法之一。作为一种半参数模型，ICA求解的关键在于特定非线性经验对比函数的选取，而现有的经典ICA算法在这方面具有局限性。核方法借助核函数的映射，在特征空间中对问题进行求解，具备灵活的非参数特点，将其应用到BSS问题求解中可以获得更加精确与鲁棒的结果。同时，核函数与超参数的选取对于核方法的性能影响很大。小波核函数具有近似正交，适用于信号局部分析的优点。而将KGV(Kernel Generalized Variance,核广义方差)作为对比函数在全局谱范围内进行分析，具备理想的数学性质。结合二者优势，本文给出了一种WKGV-KICA(Wavelet Kernel Generalized Variance Kernel Independent Com-ponent Analysis,小波核广义方差的核独立成分分析)算法，并通过实际的BSS问题验证了该算法的有效性。本文主要的研究内容包括以下几个方面：(1)对数据的预处理过程，以及经典的基于最大化非高斯性的ICA算法，基于最大化似然估计的ICA算法，基于最小化互信息的ICA算法进行了研究。(2)在对CCA(Canonical Component Analysis,典型相关性分析)以及信息论进行研究的基础上，对基于KCCA(Kernel Canonical Component Analysis,核典型相关性分析)的KICA算法以及基于KGV的KICA算法进行了深入研究。同时，通过构造平移不变小波核函数，结合KGV理论，给出一种新颖的WKGV-KICA算法。(3)将WKGV-KICA算法应用在传感器多信息源检测，混合语音信号分离，图像的恢复与理解，FECG(Fetal Electrocardiogram,胎儿心电图信号)检测四个宽范围的BSS实验中，验证了WKGV-KICA算法的有效性。(4)将WKGV-KICA算法应用在多光谱遥感图像特征提取中。在相同特征提取波段数条件下，WKGV-KICA算法能够保留更多的原始图像信息，进一步地提高了遥感图像目标分类的精度。