因果推断是近些年在统计学、人工智能、经济学等领域中被广泛关注的既重要又复杂的一类问题。独立成分分析(ICA)作为一种统计分析技术,在因果推断的研究中起着重要的作用。本文重点研究具有不随时间变化(时不变)系数与随时间变化(时变)系数的两种因果模型,并且针对时变因果模型提出新的基于ICA的两步估计方法,以及分别研究两种模型在环境与股票分析方面的应用,具体工作可总结如下:首先,简单概述了有关ICA的基础知识与常用算法。介绍了ICA的基本模型,对独立成分的约束条件,基本的数据预处理过程以及在估计过程中存在的不确定性。阐述了经常使用的ICA问题估计算法—FastICA算法的基础原理并给出该算法的具体描述。其次,研究了时不变因果模型及其在环境分析方面的应用。首先回顾了结构向量自回归(SVAR)模型的结构,该模型结合了向量自回归模型(VAR)和结构方程模型(SEM),即在VAR模型中加入了结构信息,然后介绍了基于ICA和线性非高斯不循环(LiNGAM)算法提出的估计时不变因果模型的新算法VAR-LiNGAM算法,最后通过R软件进行实际数据的实验,给出模型在环境分析中的应用,得出六项常见空气污染指标之间存在的同时和有延迟的因果顺序及影响系数。最后,着重研究了时变因果模型及其应用。将具有时不变系数的因果模型延伸为具有时变系数的因果模型。由于在许多实际情况下,尤其经济学中,变量间的因果关系是随着时间而变化的,并且噪声项大多数服从非高斯分布,因此提出了噪声项为非高斯的线性时间相依因果(TVLC)模型。针对提出的新模型,将模型变形分为两部分,一部分是卷积模型,另一部分是混合系数与时间相关的ICA模型,故此提出基于ICA的两步估计方法,然后利用格兰杰检验验证了变量之间的因果顺序,最后通过人工数据的仿真实验验证了提出方法的有效性,并将时变因果模型与所提出的新方法应用到真实的股票数据,确定了三支常见国际影响力较高的股票之间的因果关系,所得到的结果与事实相符。