诱发电位(Evoked Potential,EP)信号在众多领域有着重要的作用,准确快速的提取EP信号是应用的前提。直接测量得到的EP信号往往淹没在强的背景噪声自发脑电(Electroencephalograph,EEG)中,信噪比往往低于0dB,甚至达到-20dB。传统的EP信号提取方法是叠加平均法,该方法需要对病人进行多次刺激,而且存在较大的误差。因此就需要利用尽可能少的刺激响应测量数据来快速提取EP信号,而且便于动态跟踪EP信号的瞬态变化,这样的任务叫做“动态提取”或“快速提取”,这也是当今EP信号提取研究的热点。本文对盲源分离(Blind Source Separation,BSS)问题进行了深入的研究,进而结合阵列信号处理的知识,给出了一种EP快速提取的新思路,该创新点主要包括以下两个方面:(1)根据阵列信号处理模型与盲源分离模型之间的一致性,提出了一种新的基于波束形成理论的盲源分离方法。该方法从阵列信号处理中常用的MOE准则出发,推导了盲源分离模型下对应的约束条件,进而求得线性约束最小方差解,从而实现了独立信源的盲分离。这种思想有别于常规的利用盲分离技术解决波束形成问题,利用波束形成的理论来解决盲源分离问题。此外,经典的盲源分离通常需要对解混矩阵进行迭代运算直至算法收敛,运算量较大,且对信源的估计精度有待提高。该方法的另一优势就在于不需要求解解混矩阵,没有迭代求解过程,计算量小,在低信噪比情况下能够准确的估计出信源。(2)从诱发电位产生的物理模型出发,针对提取视觉诱发电位进行数学建模,并针对此模型提出了一种基于最小输出能量准则的VEP单次提取方法。该方法不依赖于先验知识且没有训练或学习的迭代求解过程,且运算速度快,能够在低信噪比情况下较好的提取单次诱发中的VEP成分。通过与常规的盲源分离方法或自适应信号处理方法进行比较,发现该方法在不同的信噪比条件下能够更准确的提取VEP信号且输出信噪比改善程度较高,并且利用该方法处理真实信号也得到了较为满意的结果。最后,值得一提的是,本文在第五章将新近出现的非负矩阵分解(Non-negative MatrixFactorization,NMF)方法结合信号的稀疏性约束后应用于EP信号快速提取问题中,从快速提取的另一个层面“单路少次”上对本文针对的问题进行了实验,并得到了一些有意义的结果。