近年来,伴随盲源分离问题产生的独立分量分析(Independent Component Analysis,简称为ICA)理论已逐渐成为统计信号处理中的一个重要研究方向,并正在迅速成为多维数据分析的一个有力工具。ICA是一种信号处理方法,它是在既不知道源信号的分布,又不知道源信号的混合模型的情况下,仅利用一组已知的源信号的混合信号来恢复或提取独立的源信号,其根本原理是通过分析多维观测数据间的高阶统计相关性,找出相互独立的隐含信息成份,完成分量间高阶冗余的去除及独立信源的提取。它在特征提取、语音识别和医学信号处理等方面有着广泛的应用,目前已成为盲信号处理、人工神经网络等研究领域中的一个研究热点。本文主要的工作是围绕独立分量分析理论、算法及其在图像特征提取与CT图像消噪中的应用而展开。具体内容如下：1)概述独立分量分析理论的研究和发展现状及存在的问题。2)介绍与独立分量分析研究密切相关的统计和信息论的基本知识。3)对常用的独立分量分析算法进行了研究。4)分析了CT成像原理并使用EGSnrc蒙特卡洛模拟系统模拟CT成像。5)对独立分量分析理论算法在图像特征提取、消噪中的应用进行了研究。首先对自然景物图像进行特征提取,设计了非线性阈值函数对提取的特征进行阈值处理,并将其应用于图像中泊松噪声的去除,获得了较好的图像特征提取和消噪效果。所有实验结果均表明,独立分量分析方法能充分利用图像数据中的高阶统计信息,获得较好的分析处理效果。在CT图像消噪过程中,我们第一次使用EGSnrc蒙特卡洛模拟系统来模拟CT成像,并利用模拟数据重建源图像。实验中,还进行了不同消噪方法的比较研究,将独立分量分析方法与其他一些常用方法进行了比较,如维纳滤波方法。实验结果表明,基于独立分量分析的图像特征提取和结合模拟数据的消噪方法是非常有效的。