针对快速独立分量分析（FastICA）算法提取多个同频混叠信号时的初值选择敏感性和收敛性能差的问题，提出了一种双松弛因子改进的FastICA（DLM-FastICA）算法。先在牛顿迭代法中引入双松弛因子，通过自适应调节分离矩阵的组合系数得到最优权值分离矩阵，从而改善FastICA算法的初值敏感性；再利用改进的FastICA（M-FastICA）算法的快速收敛特性提取信号，提高算法的分离精度和收敛速度。仿真结果表明，该算法使得提取信号与源信号的相似系数达到0.9，同时迭代次数较原算法减少近40%，具有更加快速、稳定的提取性能。

针对卫星多径信号引入的干扰问题,建立了卫星多径干扰信号盲源分离模型,采用基于降维Householder变换的特征矩阵联合近似对角化(JADE)算法对接收的混合信号四阶累积量进行联合近似对角化,从而提取多径信号。实验结果表明,本算法能很好地分离频谱完全重叠的多径信号和部分重叠的干扰信号;在提取多径信号方面,本算法的性能优于快速独立成分分析(FastICA)算法;在运行时间上,FastICA算法运行1000次的平均时间约为采用Givens旋转的Cardoso高阶累积量特征矩阵联合近似对角化(CG-JADE)算法的6倍,而本算法比CG-JADE算法的平均运行时间少0.0024 s,证明了本算法的有效性和快速性。