独立成分分析 (Independent Component Analysis, ICA)是一种新兴的数据处理与分析方法，主要用于在源信号和混合信道未知的情况下，从观测数据来提取原始的独立源信号。近年来，该方法已经成功地应用于语音信号处理、生物医学信号处理、神经计算、图像特征提取、远程通信、人脸识别等众多领域。ICA 具有广阔的应用前景，吸引了众多的科研工作者献身其中，因此近些年获得了长足的发展。然而，ICA 的研究尚处于发展阶段，仍有许多问题有待进一步深入研究和解决。.本项目基于约束ICA模型，针对ICA 现有的几个问题，只提取一个或多个感兴趣信号的盲抽取问题或盲信号分离问题等进行了研究，提出了几种较为有效的算法。本文的主要工作概括如下：.首先，利用待抽取信号的广义自相关性以及其新息的非高斯性，提出了基于两者的凸组合模型，得到了不动点型的盲抽取算法，并在理论上给出了算法的稳定性分析。与一般的只利用非高斯性或只利用时间结构性的算法不同，该算法有效结合了这两个特性，从而能够较大限度地挖掘数据中的隐含的信息。同时对算法的稳定性做了分析。在胎儿心电信号的抽取实验中，取得了较好的抽取效果。.其次，提出了基于源信号的线性与非线性复杂寻踪信息的目标函数，它结合了源信号的三种统计性质：非高斯性、线性预测及非线性预测性。并最小化该目标函数得出了一种梯度型的盲源分离算法，并通过实验结果证实了新算法的有效性。