独立分量分析(Independent component analysis，ICA)是20世纪末发展起来的一类多通道信号分解方法，是信号领域的全新处理方法，是信号处理技术发展中的一项前沿热点。在大部分情况下，现场观测到的信号一般都是由若干独立信号混合而成的，进行ICA处理的目的是把各个独立信号分解出来，提取出特征信号。并且ICA在故障监测方向上的应用也十分成功，也成为一种新颖的故障诊断方法。　　本文共5章内容，首先对ICA的基本原理进行了比较系统的分析，包括ICA的模型描述和基本假设以及不确定性分析，并从在线角度对批处理和自适应两种算法进行了详细阐述；接着对基于PCA和ICA的统计方法进行研究，同时利用I2和SPE统计值对故障进行监测，并同T2统计进行对比。本文将基于数据和基于知识的诊断方法结合起来，利用自组织神经网络(Self-Organizing Map，SOM)对ICA特征提取出的信号进行故障分类；文中对常见故障过程，包括间歇过程、振动过程心电过程等等进行研究，并且对心电信号进行特征提取仿真实验，对间歇信号和振动信号进行故障监测和故障分类仿真实验，每次实验都与PCA进行对比；最后，本文将自适应与批处理的思想进行融合，对传统的自适应算法进行改进，提出一种带有变窗体移动窗的自适应 ICA，同时规定了窗体变化准则，并分别对自适应ICA和变窗体移动窗ICA进行仿真实验，对比两种自适应ICA的收敛情况和特征提取效果。