盲源分离技术最早在上个世纪中期提出，在1991年Herault和Jutten提出基于反馈神经网络的盲源分离方法，但该方法缺乏理论基础，后来Tong和Liu分析了盲源分离问题的可辨识性和不确定性，Cardoso于1993年提出了基于高阶统计的联合对角化盲源分离方法，并应用于波束形成。
1994年Common将主分量法PCA加以扩展成为独立分量分析法，并正式提出了独立分量分析这一概念，提出了基于最小互信息量的独立分量分析方法。1995年Bell和Sejnowski提出了基于熵最大思想的盲源分离方法。1996年，B.A.Pearlmutter在独立变量分析（ICA）中引入以最大似然估计为准则的目标函数，提出了一种ICA的改进的算法。1997年，D.T.Pham和P.Garat对先前提出的基于最大似然准则的算法的性能进行进一步讨论。1997年Hyvariene等人根据峰度的概念提出了基于独立分量分析的快速分离算法FastICA。Armari于1998年提出了自然梯度算法口司，大大加快了算法的收敛速度。随着盲源分离的深入研究，研究范围不断拓展，一些学者开始研究相关源信号的盲分离问题，提出了时一频分析方法。2004年Yuan Zhijian和ErkkiOja提出了一种非独立分量分析的FastlCA算法。
参考文献
近年来，状态空间法得到了逐步的发展，它从控制工程的角度重新描述混合矩阵和解混矩阵，转换了盲源分离的研究思路。
[1] 徐宏. 语音盲分离算法及应用的研究[D]. 太原理工大学, 2011.
[2] 田其冲, 郑卫国, 孙大雷. 基于 FastICA 的语音分离与图像分离[J]. 电脑编程技巧与维护, 2009 (16): 90-91.
[3] 贾银洁, 许鹏飞. 基于 FastICA 的混合音频信号盲分离[J]. 信息与电子工程, 2009, 7(4): 321-325.
[4] Hyvärinen A, Oja E. Independent component analysis: algorithms and applications[J]. Neural networks, 2000, 13(4): 411-430.
[5] Hyvärinen A, Oja E. A fast fixed-point algorithm for independent component analysis[J]. Neural computation, 1997, 9(7): 1483-1492.
