盲信号处理中的盲源分离是最近几十年引发研究人员广泛关注的一个新的研究领域。盲源分离的研究目的是在源信号和源信号的混合方式都不知道的条件下，仅仅根据观测信号去恢复源信号。盲源分离问题在许多领域都有着广泛的实际应用。如用户通信、阵列信号处理、生物医学领域、军事通信、地球信号处理、雷达信号处理等多个方面都有很多应用。盲源分离根据传感器收集的观测信号通过各种盲源分离算法分离出最初的源信号。盲源分离技术最初源于“鸡尾酒会问题”，即人们在嘈杂的环境中，可以很清楚的听到人们主管想听到的声音信号，然而仪器却没法实现这个功能。我们可以通过盲源分离技术，从传感器收到的观测信号中分离出我们需要的信号。　　独立成分分析(Independent Component Analysis，ICA)是解决盲源分离问题的一种可行方法，它从多维数据中寻找其具有内在独立性和非高斯性因子的数据处理方法。ICA可以在未知源信号及混合矩阵信息的情况下分离出相互统计独立的源信号。由于ICA的独立性假设前提在大多数实际问题中是可以满足的，因此ICA在语音信号处理、图像处理、人脸识别、模式识别、数据挖掘和医学信号处理等领域具有非常重要的应用价值，其理论和算法的研究也逐渐受到广泛学者的关注。ICA经过近二十年的发展日渐成熟，但是目前仍然有一些问题有待进一步完善，其中包括如何提高算法的收敛性能，以便更好的应用到实际中。　　本文介绍了盲信号处理中的基本原理和方法，并重点介绍了独立成分分析，根据非高斯性的评价指标的不同，本文介绍了两种FastICA算法：基于峭度的FastICA算法和基于负熵的FastICA算法。本文针对这两种算法存在的问题提出了相应的改进方案。对于基于峭度的FastICA算法存在的收敛不稳定问题，本文提出了通过共轭梯度法对原算法进行改进，实验结果表明，改进后的算法不仅分离效果更佳，而且改善了原算法收敛不稳定的问题。对于基于负熵的FastICA算法，本文分别提出了通过最速下降法以克服原算法易受初始值影响的缺点，用差商法代替求导以降低了原算法的复杂性。仿真实验结果表明，改进后的算法不仅分离出的信号更逼近源信号，而且解决了初始值的问题，算法速度也变得更快。此外，为了将FastICA算法应用到通信系统盲分离中，本文搭建了一套完整的通信系统进行系统仿真，利用FastICA算法对盲源分离的效果的影响因素进行了实验仿真并分析了时延、载波频率间隔、路径增益对盲信号分离的影响。