独立分量分析(Independent Component Analysis，ICA)是新近发展起来的一种非常有效的盲源分离技术。因具有优异的盲辨识、表示能力和特征提取，在实际应用领域得到广泛关注，特别是在生物医学信号处理、远程通信、语音信号处理、图像处理等领域具有良好的应用前景。在过去短短的十几年里，相关的理论和算法得到快速的发展，并涌现出许多有效的算法。目前，ICA已经成为多个学科领域的研究热点。本论文对ICA算法的理论进行详细的分析与研究，从理论上分析ICA经典算法的不足，提出一种改进的ICA算法。并研究ICA方法在图像去噪中的应用，且提出一些改进的方法。本文主要的贡献及创新点包括以下几个方面：（1）归纳ICA的基本原理，从信息论的角度推导出衡量ICA独立性的度量准则，对现有的ICA算法进行整理，并总结ICA求解的一般过程和比较各算法的性能。（2）从理论证明ICA经典算法存在局部最优的问题。针对这一问题，在基于粒子群优化的ICA基础上加入混沌遍历，提出一种基于粒子群优化的ICA的算法。通过仿真实验，表明该算法的性能优于一般的ICA算法。（3）基于ICA变换的图像去噪是采用软阈值收缩函数去噪，往往会使图像边缘模糊及特征损失，针对此对收缩函数进行改进，使之有效的避免上述的现象。