脑—机接口(Brain—Computer Interface，BCI)是连接大脑和计算机或其它电子设备的通信系统，其特点是能够使人在完全不依赖肌肉和外围神经的情况下实现人脑与外界的通信与交流。由于这种技术有助于身体严重残疾的患者恢复与外界的交流能力，在提高患者的生活质量方面具有重要的现实意义，因此，以脑电在各种外界刺激下产生的变化特征作为BCI的输入信号进行脑—机接口技术的研究，已成为了各相关领域的科学家和医学专家的研究热点问题之一。 BCI系统由信号的产生、处理、转换、输出等单元组成。其中，信号的处理和转换算法是BCI的关键技术。信号处理包括脑电消噪、特征提取、识别分类等过程。脑—机接口技术中的关键问题就是从复杂的背景噪声中分离出有用的脑电信号，也就是从中提取出具有明确生理意义的脑电特征，然后对这种特征进行分类识别，确定患者的意图，并通过电子设备代替人的语言器官或者肢体器官完成与外界的交流和对外部环境的控制。 传统的脑电信号分析处理方法是以时域分析和简单的频域滤波为主。由于脑电信号具有很强的随机性和非平稳性，应用传统的时域和频域分析方法处理脑电信号，很难得到令人满意的结果。独立分量分析是20世纪90年代发展起来的一种多维统计方法，它的研究对象是相互独立的非高斯信号。在满足一定条件的情况下，ICA能够从同步测量的多路线性混和信号中分离出相互独立的源信号，然后进一步分析所提取的独立分量，从而获取隐含在原始信号数据中的重要特征，为实现脑—机接口提供了条件。 本文在前人研究的基础上，以事件相关电位的提取为目标，对独立分量分析理论、算法及应用进行了较为深入的研究，主要成果和创新点如下： (1) 探讨了独立分量提取的非高斯性极大理论。对非高斯性度量方法、独立分量提取算法和算法性能分析等问题进行了较为全面细致的研究。内容包括： 1) 基于峭度和负熵的非高斯性度量方法及比较；