在脑电信号处理中，从头皮电极采集的脑电信号可看作是由大脑中不同区域神经细胞的电活动共同作用的结果，其中还包含来自人体其他器官组织产生的生物电信号(如心电、肌电和眼电等)以及各种外界因素引起的干扰信号。我们对脑电信号处理的目的就是为了从复杂的背景噪声中分离出有用的脑电信号，进而从中提取出具有明确生理意义的脑电特征，并应用于临床医学和脑认知科学的研究。 传统上对脑电信号进行特征提取主要是从时域和频域两方面进行的。但由于脑电信号随机性和非平稳性都很强，这些时、频分析方法就有其各自的局限性，很难得到令人满意的结果。独立分量分析(ICA)是90年代中期发展起来的一种多维统计分析方法，它的研究对象是相互独立的非高斯信号。在满足一定的条件下，ICA能够从同步测量的多路线性混合信号(如思维脑电和诱发脑电)中分离出相互独立的源信号，根据所提取出的独立分量，我们可以进一步获取和分析隐含在原始信号数据中的重要特征。 近年来的研究成果表明，ICA是一种非常有价值的盲源分离新方法，己引起了国际信号处理领域的广泛关注。本文分别以对思维脑电和诱发脑电的消噪和特征提取为目标，对独立分量分析基本理论、代表性算法及应用进行了较深入的研究，并在以下几个方面做了一些有特色的工作： 1．从信息极大传输原理出发，分别探讨了传统Infomax、扩展Infomax和在线Infomax算法基本原理，并对算法进行了软件编程实现，以及对它们的盲源分离性能进行了分析验证，所得结果对Infomax算法的改进和实际应用将具有一定的指导意义。 2．探讨了ICA用于思维脑电特征提取的可行性：通过使用ICA对进行不同心理作业的思维脑电进行分析处理，发现了与心理作业相对应的脑电独立分量特征，这些稳定的独立分量特征将可以为心理作业的分类和脑认知科学的研究提供新的实现方法。 3．对视觉诱发事件相关电位的ICA分析进行了研究，实验结果表明ICA可以明确地分离出含有一定生理意义的脑电特征，这对临床医学研究具有很重要的意义。