在复杂的背景环境中所接收的信号往往是由不同信源产生的多路信号的混合信号。例如，几个麦克风同时收到多个说话者语音信号；在声纳、阵列及通信信号处理中，由于耦合使数据相互混叠；多传感器检测的生物信号中，得到的也是多个未知源信号的混叠。ICA方法是基于信源之间的相互统计独立性。与传统的滤波方法和累加平均方法相比，ICA在消除噪声的同时，对其它信号的细节几乎没有破坏，且去噪性能也往往要比传统的滤波方法好很多。而且，与基于特征分析，如奇异值分解（SVD）、主成分分析（PCA）等传统信号分离方法相比，ICA是基于高阶统计特性的分析方法。在很多应用中，对高阶统计特性的分析更符合实际。

当有N个信号源时，通常假设观察信号也有N个（例如N个迈克或者录音机）。该假设意味着混合矩阵是个方阵，即J = D，其中D是输入数据的维数，J是系统模型的维数。对于J < D和J > D的情况，学术界也分别有不同研究。