独立分量分析(ICA)是近年来由盲信源分离技术发展起来的多通道信号处理方法，可以帮助实现信号的分解和增强。将此方法应用于多导脑电信号的分离中，可以得到具有生理意义的若干相对独立的成分，从而有利于去除干扰和伪差。与以往用主分量分析分离盲信号相比，主分量分析分解的各分量互不相关，而用独立分量分析时要求各分量相互统计独立。免疫算法是借鉴了免疫系统学习性，适应性以及记忆机制等特点而发展起来的一种算法，引入了免疫记忆环节和抗体浓度调节环节，保证了抗体的多样性，避免了求解优化问题时陷入局部极小和早熟现象。 本文主要进行了以下的工作：首先，分析了盲信号分离的基本理论、算法及其应用，讨论了独立分量分析与免疫原理的研究现状及其实现技术。然后，针对脑电信号的分类问题，着重研究了快速固定点ICA（FastICA）和信息最大化（Infomax）两种算法，并进行了相关的仿真试验，结果表明应用独立分量分析方法分离出的独立信号与原始的信号相比，除在幅值和顺序上有差别外，能够很好的再现原始的各个独立信号。最后，为了避免Infomax 算法的盲信号分离效果对活动函数的依赖，应用了免疫遗传算法，试验结果验证了此算法是可行的。