盲源分离就是在不知道源信号和传输通道的先验信息的情况下,根据源信号的特性,仅由观测到的混合信号恢复出源信号的过程。因其在天线阵列信号处理、多用户通信、语音和医学信号处理等领域具有广阔的应用前景,从而成为当今信号处理学界的研究热点。盲源分离的算法包括离线批处理和在线自适应处理两种,由于批处理充分利用了所有观测样本信息,所以分离精度优于在线算法。但该算法在信源为超亚高斯混合分布或观测样本较少时分离精度有限,本文正是以在任意信源分布下,提高小样本盲分离的稳态精度为目标,对批处理中的固定点算法进行研究的。本文分析了独立分量分析的不确定性和基本假设,研究了独立性测度准则及其一致性。总结了基于独立分量分析的优化算法及算法性能评价测度,仿真并比较了在线算法与离线算法的在不同混合信源情况下的性能。根据对影响盲分离算法性能的主要因素:步长和激活函数的分析,推导并证明了当激活函数为概率密度函数的分值函数时,为最优激活函数。研究了目前常见的概率密度函数估计方法,并指出了其优缺点。结合超亚高斯混合分布信源的特点,提出了基于支持向量机(SVM)概率密度函数估计的激活函数构造方法:先对观测数据进行预处理,然后用SVM估计预处理后观测数据的概率密度函数,得到稀疏解,由此构造新的激活函数,并将其成功的应用于固定点盲分离算法。与以往算法相比,该算法不仅适用于任何信源分布,并且提高了在小样本情况下的分离精度。