独立分量分析方法(ICA)是近年来发展起来的一种有效的盲信号处理技术,在许多领域正发挥着越来越重要的作用。ICA具有重要的理论和应用价值,在语音信号、图像处理、无线通信等许多领域都有广泛的应用前景。在过去的十几年时间里,有关的理论和算法研究都得到了较快的发展,并且提出了许多的有效的算法。目前,ICA算法已经成为国际上信号处理领域的一个研究热点。首先,本文介绍了ICA算法的基本理论、典型的ICA算法及其性能分析。其基本理论主要有信息论、ICA的数学模型及可解性分析等。典型的ICA算法主要包括最大熵算法、H-J算法、最小互信息算法、随机梯度算法和自然梯度算法等。其次,论文深入分析了应用较为广泛的FastICA算法,对原有牛顿迭代算法进行了改进,提出了三阶收敛的“类牛顿”迭代算法和五阶收敛的牛顿迭代算法。图像信号分离仿真实验表明,改进的算法的分离效果要优于传统的FastICA算法的分离效果,并且明显减少算法了迭代次数和运行时间,提高了算法的收敛速度和运行效率最后,本文将改进的FastICA算法应用到图像去噪,并且将ICA算法与滤波去噪方法结合,使得图像去噪达到更好的效果。仿真实验表明,改进的去噪方法使得去噪后的图像的信噪比大大提高。在人脸识别的仿真实验中,将改进的FastICA算法用于人脸表情特征的提取。结果表明,改进的FastICA可以有效的提取人脸的表情特征