信號分離是信號處理中的一個基本問題。各種時域濾波器、頻域濾波器、空域濾波器或碼域濾波器都可以看作是一種信號分離器，能完成信號分離任務(wù)，或者說從混合信號中提取我們感興趣的信號。在已知源信號和傳輸通道的先驗知識時，混合信號通過濾波的處理能在一定程度上很好地完成信號分離的任務(wù)。然而，在沒有源信號和傳輸通道的先驗信息時，通過濾波的方法根本就無法完成信號分離的任務(wù)，必須通過盲信號分離技術(shù)來解決。獨立分量分析（Independent Component Analysis，ICA）是20世紀90年代以來由盲信號分離技術(shù)，或稱為盲源分離（Blind Signal/Source Separation，BSS）發(fā)展出來的一種多維信號處理方法，能在不知道源信號及信號混合參數(shù)的情況下，僅根據(jù)觀測到的混合信號就能估計源信號。
　　獨立分量分析的理論研究已經(jīng)成為當前非�；馃岬娜斯ぶ悄堋�機器學習、智能控制等應(yīng)用學科發(fā)展的重要基石，是這些研究領(lǐng)域的一個基礎(chǔ)性的研究方向，其應(yīng)用領(lǐng)域與應(yīng)用前景都是非常廣闊的。目前獨立分量分析的理論主要應(yīng)用于盲源分離、圖像處理、語言識別、通信、生物醫(yī)學信號處理、腦功能成像研究、故障診斷、特征提取、金融時間序列分析和數(shù)據(jù)挖掘等。
　　獨立分量分析的基本思路是將多維觀察信號按照統(tǒng)計獨立的原則建立目標函數(shù)，通過優(yōu)化算法將觀測信號分解為若干獨立成分，從而輔助實現(xiàn)信號的分離或增強。圍繞獨立分量分析問題的解決雖然出現(xiàn)了很多算法，但大多是圍繞信源的獨立性提出的各種獨立性及非高斯性度量準則，具體往往結(jié)合信息論、神經(jīng)網(wǎng)絡(luò)來實現(xiàn)各種算法。根據(jù)所提出的目標函數(shù)不同，獨立分量分析技術(shù)研究總的來說可分為基于信息論準則的迭代估計方法和基于統(tǒng)計學的代數(shù)方法兩大類，從原理上來說，它們都是利用了源信號的獨立性或非高斯性。