机器学习的目的是为了解决规模比较庞大,系统比较复杂的问题,因此如何挖掘及处理在大量数据中隐藏的潜在相关信息,从纷繁复杂的表象中提取出事物的本质特征愈显重要,并越来越受到众多研究者的重视。长期以来,特征提取的焦点主要集中在怎样可以用较少的数据精炼地表示事物之间的区别,这样特征提取问题从某种程度上来说就归结为降低特征的维数问题。从分类器的运行性能角度出发,往往根据所选取的不同特征以及不同数量而对分类结果产生不同程度的差异为标准来构造分类器。由此可见,特征提取在分类过程中起着重要作用。所有的特征提取算法的主要目的都是为了降低计算的复杂性并且通过剔除弱相关或者冗余特征分量来改进分类器的设计和效果。本论文引入独立成分分析(ICA)作为一种特征提取方法。独立成分分析的基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分,完成分量间高阶冗余的去除及独立信源的提取。本文从统计方法以及信息论角度介绍了其基本原理和算法,并与其他常用的特征提取方法进行比较分析。本文运用ICA中的FastICA算法,在不同条件设置的情况下,对机器学习标准数据库的部分数据进行了特征提取,最后利用支持向量机(SVM)以及其他相关分类器(C4.5/MLP)对提取以后的特征分量进行分类识别,通过直观比较分类准确率,证明了ICA在特征提取方面的有效性,并结合当今科学研究领域,简单介绍了利用ICA作为特征提取方法的应用范例。