独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。其目的是从传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。ICA的基本使用条件除了要求源信号是统计独立外,不需其他先验知识。ICA所具有的这个特性决定了其应用于信号分离的自身优势,它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理、人工神经网络等领域中的一个研究热点。　　多用户检测是CDMA通信系统中抗干扰的关键技术。在实际的CDMA通信系统中,各个用户信号之间具有一定的相关性,这是多址干扰(MAI)存在的根源。独立分量分析(ICA)用于多用户检测可以很好地利用CDMA系统中各用户信息间相互独立这一特点,从而有效地消除多址干扰,缓解CDMA易受干扰的远近效应问题。　　基于独立分量分析多用户检测是一种盲多用户检测算法。本文是围绕这种盲多用户检测算法展开的。本文介绍了扩频通信技术,多用户检测的有关知识及几种多用户检测算法,在独立分量分析(ICA:Independent Component Analysis)算法原理的基础上,分析了DS-CDMA(Direct Sequence-CDMA)矩阵信号模型和线性独立分量分析的数学模型,根据比较得出这两种模型具有相同形式,可以将独立分量分析应用在DS-CDMA系统中。　　对于同时提取多个分量的问题,原则上只需要将ICA算法(“一元”算法)运行多遍,然而这样会出现不同的向量可能收敛到同一个极值点的情况。为了避免这种情况,文章提出了一种串行正交(S-ICA)的处理方法,即一个接一个的将独立分量估计出来。这种方法虽然能有效地消除不同向量可能收敛到同一个极值的问题,但会导致先估计出来的向量的估计误差累积到后面的向量估计中。文章采用的另一种紧缩处理方法:并行正交化(P-ICA)方法,即每个向量的地位均等,没有先后,是并行地全部同时估计出来的。并行正交化有效的减小了累积误差的影响。这两种改进的ICA算法比一般的ICA算法性能更好,稳健性更强,收敛速度更快,对实际信道的适应性更强。特别是在提取多个用户信息的情况下,这两种算法具有更好的收敛性。