独立成分分析（ICA）通过分析多维观测数据间的高阶相关性，在源信号和混合矩阵均未知的情况下，找出相互独立的隐含信息成分，完成独立源信号的提取.现已成功地应用在生物医学信号处理、图像处理、语音信号处理等诸多领域.　　本论文主要研究ICA基本理论、算法及其在自然图像特征提取中的应用.提出一种基于极大似然准则的带加权正交约束条件自然梯度算法并将其应用到自然图像的特征提取中.具体内容如下：　　（1）简单介绍了独立成分分析的发展历史、现状及其具体应用.系统归纳了独立成分分析的基本理论与方法；总结了独立成分分析算法的一般求解过程，包括数据预处理、目标函数确定及其优化，并详细介绍了几种经典的ICA算法.　　（2）研究了独立成分分析方法在自然图像特征提取中的应用.首先介绍了主成分分析方法在图像特征提取中的应用，并分析其不足；然后介绍了利用高阶统计分析的ICA算法来提取图像特征的具体方法.ICA算法充分利用图像数据的高阶统计信息，能够提取一组独立基向量.计算机仿真实验结果表明，采用信息极大化算法和快速不动点算法所提取的基向量，大多数在空间、频率上都体现了局部性和方向性，很好地反应了自然图像的边缘特征，同时相应组合系数呈现出较强的超高斯分布特性.　　（3）提出一种新的基于极大似然的ICA自然梯度算法.经预白化处理的ICA算法不具有等变性，并且预白化会不可避免地产生误差，从而影响估计精度.基于此，引入加权正交约束代替预白化，建立了加权正交约束的极大似然ICA准则，然后利用拉格朗日乘子法求解该约束优化问题，得到了一种基于原数据的极大似然ICA自然梯度算法.人工信号的仿真实验表明，该算法能有效地分离和重构源信号，并且相比于FastICA算法和Infomax算法，具有较快的收敛速度.　　（4）将提出的新算法应用于自然图像特征提取中，实验结果表明，新算法可以有效地提取图像的独立特征，而且比已有算法收敛速度更快.另一方面，给出了ICA模型的拓展，通过放宽独立性假设，建立了独立子空间分析模型，获取非线性特征，实验结果表明同一特征子空间的特征具有相似的方向、频率和位置.