盲源分离(BSS)技术是现代信号处理领域中一个新的研究方向。目前已广泛应用于语音信号处理、图像处理、多用户通信、阵列信号处理及医学信号处理等许多领域。解决盲源分离的主要方法是独立分量分析(ICA)算法,它的主要思路是求一个分离矩阵,使其分离后的信号统计独立。文中研究了独立分量分析的基本理论,介绍了独立分量分析的预处理方法、分离准则和优化算法。非高斯性最大化准则是常用的独立性测度准则之一,而负熵是一种鲁棒的非高斯性最优度量方法。本文围绕负熵准则展开,深入研究了负熵准则用于盲源分离的实质,由广义高斯分布生成任一超高斯分布和亚高斯分布,通过仿真实验验证了源信号为不同分布时负熵的极值特性。本文同时以负熵准则为代价函数,得到一种鲁棒的自适应算法,然后利用分离矩阵与最佳分离矩阵的距离来调整学习步长,提出一种改进的变步长算法。通过仿真实验,验证了本文算法在收敛速度和稳态误差方面的优越性。