脑电信号是记录和反映大脑功能活动的主要工具。目前普遍采用非侵入性头皮测量方式进行脑电信号测量,获得的脑电信号由脑电源成分、生理伪差及工频干扰等成分混合而成。为了有效提取所需要的源成分,本文采用盲源分离算法对头皮观测脑电信号进行了盲分离。使用到的盲源分离算法包括基于改进量子粒子群优化的独立分量分析、约束独立分量分析、稀疏分量分析和卷积盲分离,具体的研究对象为事件相关电位提取、脑电节律信号分析以及伪差去除。在事件相关电位提取的研究中,以P300电位的提取为应用背景,分两部分展开研究。第一部分是针对多导联脑电信号,提出了一种基于改进量子粒子群优化的独立分量分析算法,用于P300电位的提取。该算法的迭代寻优过程中,通过在量子粒子群优化的基础上引入更充分的粒子间学习和竞争行为,有效实现并加快了独立分量分析的全局收敛,得到独立性更强的P300成分。在事件相关电位提取的研究中,第二部分是针对单导联脑电信号,提出了 一种使用约束独立分量分析的方法,用于P300电位的提取。根据P300叠加平均波形构造参考信号,使用一个导联脑电信号完成了 P300的有效提取。该方法对导联位置要求不苛刻,所需数据量小,应用于脑机接口系统,具有操作简便的优势,且能够取得满意的识别正确率和信息传输率。在脑电节律信号分析的研究中,以恐惧情绪分级识别为应用背景,提出了一种基于稀疏分量分析的特征提取方法。在欠定条件下,分解出多于观测导联数目的稀疏源成分,有效保证了表征不同脑活动的脑电信息能够充分分离。在此基础上,利用情绪脑电先验知识筛选出与恐惧情绪相关的源成分,使用脑电节律信号的能量值作为特征构建特征向量,进行恐惧情绪分级识别。提出的方法在一定程度上避免了直接对观测脑电信号进行分析和处理所产生的误差,为后续研究奠定了良好的数据基础。在伪差去除的研究中,以脑电信号中的眼电伪差去除为应用背景,提出了一种使用卷积盲分离算法实现伪差去除的方法。与其它方法所依据的瞬时混合模型相比,卷积盲分离算法依据的卷积混合模型更加符合观测脑电信号的形成原理。本文利用卷积盲分离算法有效实现了脑电信号的伪差去除,对脑电信号的其它应用以及其它生理电信号的盲分离处理具有借鉴意义。本文研究中,提出的各个方法在不同的脑电信号处理应用中,均采用仿真数据、公共数据集数据或者实测脑电数据进行了方法验证,并与同类方法进行了实验对比。结果表明,本文提出的方法均达到了理想效果。